锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定...锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定性,近年来在锂电池SOH区间估计中得到广泛应用。然而,GPR的性能很大程度上取决于其核函数的选择,当前研究多凭借经验选用固定单一核函数,无法适应不同的数据集。为此,本文提出一种基于自适应最优组合核函数GPR的锂电池SOH区间估计方法。该方法首先从电池充放电数据中提取出多个健康因子(health factor, HF),并采用皮尔森相关系数法优选出6个与SOH高度相关的健康因子作为模型的输入。然后,在当前常用的7个核函数集合上,通过两两随机组合构造新的组合核函数,并利用交叉验证自适应优选出最优组合核函数。采用3个不同数据集对所提方法进行了验证,结果表明:本文方法具有出色的SOH区间估计性能。在3个公开数据集上,平均区间宽度指标在0.0509以内,平均区间分数大于-0.0004,均方根误差小于0.0181。展开更多
基于随机子采样的隔离森林算法没有考虑到子采样中来自不同区域样本点之间的相对密度,为此提出基于核函数的隔离森林算法K-iForest,根据概率密度函数重新采样来提高隔离森林算法的性能。在离群点检测数据库(ODDS)的Annthyroid、ForestCo...基于随机子采样的隔离森林算法没有考虑到子采样中来自不同区域样本点之间的相对密度,为此提出基于核函数的隔离森林算法K-iForest,根据概率密度函数重新采样来提高隔离森林算法的性能。在离群点检测数据库(ODDS)的Annthyroid、ForestCover、Mulcross、Shuttle和Http(KDD Cup 1999)、Smtp(KDD Cup 1999)、KDD CUP 99数据集上验证K-iForest算法的有效性和效率,并与iForest算法、EIF算法、RRCF算法、GIF算法以及HIF算法进行比较。实验结果表明,K-iForest算法的AUC值高出其他算法0.1%~100.2%。展开更多
文摘锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定性,近年来在锂电池SOH区间估计中得到广泛应用。然而,GPR的性能很大程度上取决于其核函数的选择,当前研究多凭借经验选用固定单一核函数,无法适应不同的数据集。为此,本文提出一种基于自适应最优组合核函数GPR的锂电池SOH区间估计方法。该方法首先从电池充放电数据中提取出多个健康因子(health factor, HF),并采用皮尔森相关系数法优选出6个与SOH高度相关的健康因子作为模型的输入。然后,在当前常用的7个核函数集合上,通过两两随机组合构造新的组合核函数,并利用交叉验证自适应优选出最优组合核函数。采用3个不同数据集对所提方法进行了验证,结果表明:本文方法具有出色的SOH区间估计性能。在3个公开数据集上,平均区间宽度指标在0.0509以内,平均区间分数大于-0.0004,均方根误差小于0.0181。
文摘基于随机子采样的隔离森林算法没有考虑到子采样中来自不同区域样本点之间的相对密度,为此提出基于核函数的隔离森林算法K-iForest,根据概率密度函数重新采样来提高隔离森林算法的性能。在离群点检测数据库(ODDS)的Annthyroid、ForestCover、Mulcross、Shuttle和Http(KDD Cup 1999)、Smtp(KDD Cup 1999)、KDD CUP 99数据集上验证K-iForest算法的有效性和效率,并与iForest算法、EIF算法、RRCF算法、GIF算法以及HIF算法进行比较。实验结果表明,K-iForest算法的AUC值高出其他算法0.1%~100.2%。
