无线传感器网络的节点运行往往受限于能量供给。对太阳能进行采集并转换成电能存储,可以延长节点的使用寿命。对太阳能进行能量预测,可以更好地规划和使用采集到的能量,这有助于节省能源、避免浪费,提升无线传感器网络的生存周期。针对...无线传感器网络的节点运行往往受限于能量供给。对太阳能进行采集并转换成电能存储,可以延长节点的使用寿命。对太阳能进行能量预测,可以更好地规划和使用采集到的能量,这有助于节省能源、避免浪费,提升无线传感器网络的生存周期。针对太阳能预测,提出一种基于自回归积分移动平均-长短期记忆(Autoregressive Integrated Moving Average-Long Short Term Memory,ARIMA-LSTM)组合模型的能量预测方法。首先,采用ARIMA模型来对太阳辐照数据进行预测,提取数据中的线性分量;然后将过滤后的残差代入LSTM神经网络模型,得到非线性分量的预测;最后将二者进行相加,得到最终的预测结果。仿真实验显示,组合模型比起现有的单一模型,能够有效地提高预测的精度。展开更多
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
文摘无线传感器网络的节点运行往往受限于能量供给。对太阳能进行采集并转换成电能存储,可以延长节点的使用寿命。对太阳能进行能量预测,可以更好地规划和使用采集到的能量,这有助于节省能源、避免浪费,提升无线传感器网络的生存周期。针对太阳能预测,提出一种基于自回归积分移动平均-长短期记忆(Autoregressive Integrated Moving Average-Long Short Term Memory,ARIMA-LSTM)组合模型的能量预测方法。首先,采用ARIMA模型来对太阳辐照数据进行预测,提取数据中的线性分量;然后将过滤后的残差代入LSTM神经网络模型,得到非线性分量的预测;最后将二者进行相加,得到最终的预测结果。仿真实验显示,组合模型比起现有的单一模型,能够有效地提高预测的精度。
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。
