基于改进P SO-RBF算法的纯电动汽车剩余里程实时预测

摘要

为解决纯电动汽车的剩余里程预测误差大、自适应性差和数学建模复杂的问题,首先对粒子群聚类算法的参数组合进行优选,接着再根据优化粒子群算法聚类出径向基函数(RBF)神经网络隐含层中隐节点数量q,隐节点高斯函数中心向量ci和标准化常数δi,根据不同工况,优选出误差和聚类效果最好的参数组合作为训练结果,并根据工况及时更新参数,使预测结果具有动态自适应性.以端电压、电流、温度、载荷为输入,以剩余里程为输出,建立改进的PSO-RBF预测模型,然后在固定、常用的用车环境中,定义动态自适应的标准容量和标准续驶里程,建立非必要能耗数学模型加以修正.EV-1型纯电动车试验测试值与算法的预测值比较结果表明,RBF,PSO-RBF和改进的PSO-RBF 3种算法最大相对误差分别为9.9％,6.2％和3.8％,说明采用改进的PSO-RBF算法的预测精度比现有其他方法有显著提高.