为提升锂离子电池性能和延长锂离子电池寿命,提出一种基于XGBoost预测和ARIMA(Autoregressive Integrated Moving Average Model)残差校正的锂离子电池电荷状态估算方法。该估算方法首先采用集成学习XGBoost回归算法对锂电子电池SOC进...为提升锂离子电池性能和延长锂离子电池寿命,提出一种基于XGBoost预测和ARIMA(Autoregressive Integrated Moving Average Model)残差校正的锂离子电池电荷状态估算方法。该估算方法首先采用集成学习XGBoost回归算法对锂电子电池SOC进行预测,然后基于预测残差建立ARIMA模型对预测值进行修正,进一步提升SOC估算的准确性,并与线性回归、支持向量机、神经网络、K-邻近算法等4种经典回归预测算法进行了实验对比分析。结果表明,文中方法通过引入ARIMA残差校正,将XGBoost的预测精度在绝对误差,均方根误差和均方根百分比误差3个技术指标上提高了15%~20%,且优于其他5种回归预测算法。展开更多
文摘为提升锂离子电池性能和延长锂离子电池寿命,提出一种基于XGBoost预测和ARIMA(Autoregressive Integrated Moving Average Model)残差校正的锂离子电池电荷状态估算方法。该估算方法首先采用集成学习XGBoost回归算法对锂电子电池SOC进行预测,然后基于预测残差建立ARIMA模型对预测值进行修正,进一步提升SOC估算的准确性,并与线性回归、支持向量机、神经网络、K-邻近算法等4种经典回归预测算法进行了实验对比分析。结果表明,文中方法通过引入ARIMA残差校正,将XGBoost的预测精度在绝对误差,均方根误差和均方根百分比误差3个技术指标上提高了15%~20%,且优于其他5种回归预测算法。
