基于K均值聚类及高斯过程回归集成的铅酸电池荷电状态预测
Prediction for State of Charge of Lead-Acid Batteries by K-means Cluster with Ensemble Gaussian Process Regression作者机构:国网山东省电力公司信息通信公司山东济南250001
出 版 物:《软件》 (Software)
年 卷 期:2018年第39卷第1期
页 面:132-137页
学科分类:08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程]
主 题:铅酸电池荷电状态 K均值聚类 高斯过程回归 集成学习
摘 要:为了提高铅酸电池荷电状态(State of Charge,SOC)的预测准确率,本文提出一种基于K均值聚类的高斯过程回归集成算法(K-means Cluster with Ensemble Gaussian Process Regression,KC-EGPR)。首先利用K均值聚类算法对原始训练集进行聚类,生成若干个包含原始训练集的某种局部信息的子训练集;然后在每个子集上训练高斯过程回归模型(GPR);最后利用集成学习理论中的自适应提升算法(Ada Boost)对训练的多个GPR进行集成,得到最终的预测模型。在三组铅酸电池数据集上的实验结果表明,所提出的KC-EGPR算法预测铅酸电池SOC的性能优于对比模型,具有广阔的应用前景。