جبران خطای تقریب در رگرسیون بردار پشتیبان با استفاده از مدل نیمهپارامتری: کاربرد در تخمین وضعیت شارژ باتری لیتیوم-یون | ||
| مهندسی مکانیک مدرس | ||
| Articles in Press, Accepted Manuscript, Available Online from 18 December 2025 | ||
| Document Type: مقاله پژوهشی | ||
| DOI: 10.48311/mme.2025.117205.82876 | ||
| Authors | ||
| مریم کیانی1; سعید خراشادی زاده2; محمد علی شمسی نژاد* 3 | ||
| 1دانشجوی دکتری مهندسی برق – سیستمهای قدرت، دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند | ||
| 2گروه قدرت، دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند | ||
| 3گروه قدرت، دانشکده مهندسی برق و کامپیوتر دانشگاه بیرجند | ||
| Abstract | ||
| تخمین دقیق وضعیت شارژ برای مدیریت بهینه انرژی در وسایل نقلیه الکتریکی و حفاظت از باتری در برابر تخلیه عمیق یا شارژ بیش از حد ضروری است. امروزه، روشهای مختلف هوش مصنوعی به طور گستردهای برای حل این مسئله توسعه یافته و به کار گرفته شدهاند. در این مقاله، رگرسیون بردار پشتیبان و مدلهای نیمهپارامتری با هم ترکیب شدهاند تا دقت تخمین بهبود یابد. انگیزه این ایده از شباهت ابرصفحه بهینه رگرسیون بردار پشتیبان و معادله استفادهشده در مدلهای رگرسیون پارامتری نشأت میگیرد. با این حال، برای داشتن مدلی منعطفتر و دقیقتر، از مدل نیمهپارامتری استفاده شده است. در واقع، مدل نیمهپارامتری نقش جبران خطای تقریب رگرسیون بردار پشتیبان را ایفا میکند. برای اعتبارسنجی روش پیشنهادی، پروفایلهای مختلف جریان مورد استفاده قرار گرفتهاند. مقایسه رگرسیون بردار پشتیبان، شبکه عصبی با تابع پایه شعاعی، شبکه عصبی پرسپترون چندلایه با روش پیشنهادی نشان میدهد که روش پیشنهادی در تخمین وضعیت شارژ دقت بالاتری دارد. علاوه بر این، روش پیشنهادی در پیادهسازیهای واقعی دقت بالا و همگرایی سریعی نشان میدهد. نتایج حاصل از برنامه رانندگی دینامومتر شهری برتری روش پیشنهادی را در شرایط عملیاتی واقعی نشان میدهد. | ||
| Keywords | ||
| باتری لیتیوم_یون; تخمین وضعیت شارژ; رگرسیون بردار پشتیبان; مدل نیمهپارامتری | ||
|
Statistics Article View: 7 |
||
| Number of Journals | 45 |
| Number of Issues | 2,171 |
| Number of Articles | 24,674 |
| Article View | 24,436,153 |
| PDF Download | 17,551,332 |