基于混沌时间序列LS

随着传统汽车的广泛应用，能源消耗与环境保护已经成为当前急需解决的重大问题。新能源汽车(尤其电动汽车)因具有高效节能、零排放等优势，被视为最有效的解决途径之一。目前，电动汽车依然存在行驶里程短、电池容量小、电池成本高等问题。锂离子电池具有能量密度高、自放电率低、无记忆效应、使用寿命长等诸多优势，得到了较广泛的关注，成为当前电动汽车的首选电池。

荷电状态(SOC)用来描述电池剩余电量，是决定车辆续驶里程和行驶性能的重要参数之一[1]。准确地估测SOC对有效延长电池循环使用寿命，预测车辆剩余行驶里程，避免电池出现过充放电等有着十分重要的作用。SOC不能直接测取，只能借助可直接测量的电池特性参数(如电压、电流、温度等)进行估测获得。目前比较常用的SOC估算方法大致分为基于模型的估算方法和人工智能估算方法，基于模型的估算方法主要有放电实验法、开路电压法[2]、Ah计量法[3-4]、内阻法、卡尔曼滤波[5]、扩展卡尔曼滤波法[6]。放电实验法对检测环境的要求较高，且花费时间长，主要用于实验室仿真；开路电压法需要将电池静置一段相当长的时间，待其达到平衡状态后才能测出准确的电池开路电压，不能实现实时监测；Ah计量法存在SOC 初始值不容易确定、误差积累较大等缺点；卡尔曼滤波法及扩展卡尔曼滤波法估算精度受电池模型精度的影响，且对计算硬件要求较高[7]。人工智能估算方法[8-11]主要包括神经网络法、模糊控制等，人工智能估算方法近几年研究较多，它有较高的非线性拟合精度，对研究对象不需要建立精确的数学模型，但其估算精度受样本空间及样本精确度的影响。 为此，本研究提出基于混沌时间序列LS-SVM的车用锂离子电池SOC预测模型，针对锂离子电池动力学系统混沌特性，利用相空间重构技术恢复系统的多维非线性特性，扩大SOC预测模型的训练样本空间。由于LS-SVM遵循结构化风险最小原则，可以有效克服神经网络存在的局部最优、训练周期长等缺点，因此，最后采用LS-SVM模型对相空间重构后得到的多维非线性时间序列进行预测，达到提高SOC预测精度的目的。

1 锂离子电池动力学系统混沌判别

1.1 相空间重构

相空间重构技术[12-13]是混沌预测的关键，它把一维的时间序列重构到具有最佳嵌入维数和延迟时间的相空间中，从而恢复系统原有的多维非线性特性。根据Packard及Takens定理[14-15]，车用锂离子电池动力学系统是一个多维非线性系统，其电压、电流、温度等相关参数构成时间序列数据，通过相空间重构恢复其原来的多维非线性混沌特性，然后基于重构的相空间进行预测。

设 {x(ti),i=1,2,…N}为电池动力学系统的时间序列，则其相空间可以表示为

X(ti)=(x(ti),x(ti+τ),
x(ti+2τ),…x(ti+(m-1)τ)),(i=1,2,…M)。

(1)

式中：m为相空间的嵌入维数；τ=kΔt为时间延迟；Δt为采样间隔；X(ti)为相空间中的点；M满足下式条件：

M=N-(m-1)τ。

(2)

由此可得m维的重构相空间时间序列，且与原系统拓扑等价[16]。

1.2 系统状态混沌特性判别

若要将上述相空间重构后的时间序列应用于车用锂离子电池的SOC值预测，则必须对锂离子电池动力学系统的时间序列进行混沌判别。目前时间序列混沌判别的方法[15,17]主要包括功率谱法、Lyapunov指数法、Poincare映象及关联维D2法等，由于Lyapunov指数法计算简单方便，因此本研究选择该计算方法对电池动力学系统的时间序列进行混沌判别。

时间延迟τ和嵌入维数m的选取对于相空间重构具有十分重要的意义，本研究采用Kim等[18]提出的C-C算法计算τ和m，C-C算法的具体步骤如下：

1) 计算给定时间序列的标准差σ。

2) 计算下列3个公式：

农民是从事农业生产的主体人员，因此农民的自身素质对于设施农业的发展有直接影响。农民对于机械的使用认识程度不高，是影响设施农业发展的重要原因之一。所以，可以向农民开展“如何致富”、“如何增加粮食产量”为主题的指导课程，通过课程向农民讲解设施农业机械化的重要性，提高农民对机械的使用意识和市场竞争意识，向农民明确使用机械设施会减少人力劳动的投入、提高生产效率、科学的种植能够提高农作物的产量、能够提高农民的经济效益。农民对于设施农业有正确的认识，才能积极使用设施农业机械设备，进而推动我国设施农业的发展水平。

(3)

(4)

(5)

6、液压油管疲劳折损。液压油管由于油压变化频繁和油温高，致使管壁张驰频繁，极易出现疲劳折损酿成事故。为有效延长液压油管的使用寿命，最好是用细铁丝烧成弹簧放入油管内作支撑。

式中：ri=jσ/2,(j=1,2,3,4)。

北方农村地区室内环境污染源多且复杂，采取有效的通风换气措施改善室内居住环境显得十分重要。通风换气措施受居民生活习惯和意识的影响较大，因此需提出一种切实有效的通风换气措施，针对北方农村特有的室内环境，可以起到良好的通风换气效果，同时，要容易操作，初投资低，可在农村地区推广使用。

的值主要反映锂离子电池动力学系统的时间序列相关性程度。

3) 对式(4)求最小值，利用求出的最小值寻找时间序列独立的第1个整体最大值的时间窗口τw,τw=tτs(τs 为时间序列的采样间隔)，根据式(6)可得嵌入维数m的值。

τw=(m-1)τ。

(6)

根据以上步骤计算可得锂离子电池动力学系统的时间序列τ=3，τw=21，由此可通过式(6)推算嵌入维数为m=8。

然后根据式(6)重构相空间|X(ti),i=1,2,…M|中的每一个点X(ti)的最邻近点X(tj)，并限制短暂分离。

Dj(0)=min‖X(ti)-X(tj)‖，|i-j|>ω。

(7)

式中：ω=T/Δt，Δt为序列的采样周期。

根据式(8)对重构相空间中|X(ti),i=1,2,…M|每个点X(ti)计算出该邻点X(tj)对在l个离散时间步后的距离Dj(l)。

Dj(l)=|X(ti+l)-X(tj+l)|,
l=1,2,…min(M-i,M-j)。

(8)

假设相空间中第 l个点的最近邻点近似于以最大的Lyapunov指数速率发散，即

dl(j)=Cleλl(jΔt)。

(9)

式中：Cl为初始的分离距离常数。对式(9)两边取对数，可以得出lndl(j)=lnCl+λl(jΔt)，l=1,2,…n。方程代表一簇近似平行线，斜率为λl。然后用最小二乘法拟合出最大的Lyapunov指数λmax，即

(10)

式中：为非零di(j)数目。

经计算得最大Lyapunov指数0.016 2，稍大于0，表明锂离子电池动力学系统的时间序列具有混沌特性，因此可对车用锂离子电池SOC值进行短期预测。

2 锂离子动力电池SOC预测模型建立

2.1 最小二乘支持向量机

对于车用锂离子电池训练样本集{(xi,yi)},i=1,2,…n，其中xi表示训练输入样本，yi表示输入训练样本时得到的输出值，利用非线性映射φ(·)把训练样本映射至高维特征空间，再进行线性回归，假设b是偏置量，w是权值，则

他们或具冒险精神、执着底色、坚毅性格；或有创新意识、合作态度、敬业精神。适者生存，他们有着独特的个人素质、价值取向、思维模式。

f(x)=wTφ(x)+b。

(11)

充分考虑训练样本集的非线性程度和拟合误差，故上式可以转换成约束优化，即

(12)

约束条件是：

yi=ω·φ(xi)+b+ξi，(ξi>0；i=1,2,…n)。

(13)

式(12)中γ是正规则化参数，引入拉格朗日乘子αi，则可把上面优化方式向无约束对偶空间优化进行转变：

(14)

二是建立食品药品安全监管机制。学校成立了食品药品安全工作站，其是履行食品药品监督管理主体责任的组织协调与办事机构，挂靠在后勤集团，下设办公室，按照学校设领导机构，机关处（室）为成员单位，附属单位设监管人员，实行网格化管理。工作站严格落实划区分片、建档造册、定期检查、专项整治和严肃问责等制度，实施全员监督、全时监控、全面覆盖，积极主动配合学校和洪山区食品药品监管局、武昌区食品药品监管局及所属食药所做好食品安全方面的有关工作。

根据下式的优化条件：

(15)

则有

试验原料为四川会理地区红土镍矿，主要成分见表1，矿中铁以三氧化二铁、针铁矿等形式存在。将红土镍矿与硫酸铵进行混合焙烧，焙烧后铁以可溶性硫酸铁盐形式存在于熟料中。

(16)

wTφ(xi)+b+ζi-yi=0。

(17)

根据Mereer条件：K(xi,xj)=φ(xi)Tφ(xj)，LS-SVM预测模型为

经过上述的分析，不难发现：传统的IoT技术和中心化的系统框架已经很难满足未来的发展需求。针对IoT平台的特点，区块链技术能解决大量的智能设备数据在中心化的系统框架中会出现的安全和管理问题。区块链是一种集成分布式数据库、共识机制、点对点（P2P）传输和非对称加密算法等新型应用模式，具有去中心化、开放性、自治性、匿名性和信息不可篡改的特点。本文主要对IoT平台之一的体域网展开了详细研究，结合新兴的区块链技术，针对传输的安全性能和数据传输性能差的特点，研究分析了适用于体域网的身份认证技术，利用区块链技术在体域网平台下设计一个新兴的系统框架，主要解决以下问题:

(18)

通常来说，与其他核函数进行对比，径向基核函数的性能最优，故LS-SVM核函数选定为径向基核函数，则得出LS-SVM[19]预测模型为

(19)

为进一步提高LS-SVM预测模型精确度及泛化能力，本研究选择Logistic映射混沌模型[20]对式(19)中的核宽度参数σ2及正规则化参数γ进行全局寻优，Logistic映射混沌模型为

zn+1=4zn(1-zn)。

(20)

设优化问题为

；
S.t. ai≤zi≤bi。

(21)

式中：f(zi)为LS-SVM回归值；y为实际值；f(x)为LS-SVM回归值；zi为需要优化的LS-SVM参数变量。具体步骤如下：

1) 初始化：k=0,r=0,f*任意选取n个较小差异的初值h0,i(h0,i∈(0,1))，令h*=h0,i，由此可得n条初值相异的混沌轨迹，混沌变量为hi。

2) 载波：将选取的n个hk,i通过下式采用载波的方式变成n个zk,i变量，同时

(22)

3) 迭代搜索：将步骤2)中的n个zk,i混沌变量代入式(21)中进行迭代搜索，

If f(zk,i)<f* ,then f*=f(zk,i),else 放弃zk,i。

4) k=k+1，zk+1,i=4zk,i(1-zk,i)。

5) 重复步骤2)～步骤4)，若在一定步数内使f*保持不变，则进行后续步骤。

6) 用式(23)获取新的混沌变量，并重复步骤2)～步骤4)，若在一定步数内使f*保持不变，则进行后续步骤。

(23)

7) r=r+1，根据式(24)缩小搜索范围，继续重复步骤2)～步骤4)。若在一定步数内使f*保持不变，再次重复步骤7)，如此执行若干次(一般为5～8次)后结束优化，即为最优变量。

那琉璃世界红梅嫣然，身边的同龄女孩非富即贵，她们身着大红斗篷，映衬着茫茫雪景，个个都美成一幅画，唯独自己衣着寒酸，看上去不像一个世界的人。

(24)

复杂冲断系的局部负反转由若干个冲断层组合构成叠瓦状冲断系，在张引裂陷、伸展构造体制作用下，其反转具有明显的选择性。即利用每个冲断带后缘陡倾的冲断层，在张引和重力作用下活化发生负反转。但是，从叠瓦断层系根带至前缘带，由于重力势能依次变小，其反转作用的程度亦依次减弱，正断层规模也依次减小，这是叠瓦状冲断系负反转的普遍规律。这种复杂冲断系的局部负反转主要在桩西潜山主体部位发育［8］（图3）。

2.2 混沌时间序列LS-SVM预测模型

混沌时间序列LS-SVM预测模型结构见图1。其预测原理如下：

首先将采集到的电压、电流、温度等相关参数进行相空间重构，然后采用上述重构后得到的数据训练LS-SVM预测模型，由此获得该时刻LS-SVM的一步预测值：

为了适应时代发展的要求，我国于2014年出台了新预算法，并于2015年全面实施给事业单位的财务管理工作开展带来了全新的气象。而事业单位作为我国第二大社会组织，不仅覆盖了广泛的行业，同时集中了大批量的专业技术人才，是我国社会主义经济建设的重要力量。尤其是当下我国正处于全面建设小康社会的关键时期，同时也是深化改革开放和加快经济转型升级的攻坚阶段，事业单位应当更加重视单位财务管理体系的系统性、全面性、科学性，积极规范单位预算的材料编制、决算、运行等方面的工作，切实升了财务预算的公正性，促进了财务预算制度的完善，从而达到新预算法发展实施的目标。

(25)

利用词的多义或同音的条件，有意使语句具有双重意义，言在此而意在彼，这种类型的谚语在田林平塘高山汉族中相对较少。例如：

式中：m为嵌入维数；τ为延迟时间；Xt=(xt,xt+τ,xt+2τ,…xt+(m-1)τ)。

对于相空间重构的第t+1点，有：

(26)

再由式(26)得到对t+2点的预测值：

(27)

以此类推，对于相空间重构的第t+p-1点，有：

(28)

则第p步的混沌时间序列LS-SVM预测值为

(29)

式中：p为预报步长。

图1 混沌时间序列LS-SVM预测模型结构

3 混沌时间序列LS-SVM预测仿真

3.1 试验数据采集

本研究选择100 Ah的LiFePO4电池作为研究对象，并进行DST工况试验。上位机为PC机，运行BTS-600软件，数据存储采用SQL Sever数据库管理系统。下位机选用BNT 200-100ME动力电池测试设备，电流采集设备选用CHB300-SG闭环霍尔电流传感器，电压采集设备选用LTC6802芯片，温度采集设备选用DS18B20温度传感器。每次试验共采集电压、电流及温度等600组试验数据，共进行5次试验，获得5×600组试验数据。

3.2 混沌时间序列LS-SVM模型训练与预测

对采集的5×600组试验数据进行重构，得到25×600组数据，随机选取20×600组为LS-SVM预测模型的训练样本，另5×600组数据为检验样本，在Matlab 仿真平台下进行试验仿真。BP神经网络输入层节点的个数与重构相空间的嵌入维数保持一致，即输入层节点个数为8，输出层节点为1个，隐含层节点为6个(经试错法得到最终的隐含层神经元个数)，因此最后确定BP神经网络[21]为8-6-1三层结构模型。激励函数选择sigmoid函数，采用Levenberg-Marquardt反向传播算法，学习步长取1 500，允许误差为0.01。从采集到的5×600组原始试验数据中随机选取4×600组为训练样本，剩余的1×600组为检验样本，同样通过Matlab仿真平台进行试验仿真。混沌时间序列LS-SVM预测值与标定值的比较见图2，BP神经网络预测值与标定值的比较见图3，混沌时间序列LS-SVM与BP神经网络预测误差比较见图4。

图2 混沌时间序列LS-SVM预测值与标定值的比较

图3 BP神经网络预测值与标定值的比较

图4 两种模型的预测误差比较

3.3 误差分析与比较

图2至图4及表1的误差分析与比较表明，混沌时间序列LS-SVM预测模型明显优于BP神经网络预测模型，表明相空间重构技术能够恢复锂离子动力电池原有的多维非线性特性，从多维状态空间方面扩大预测模型的训练样本量，提高了LS-SVM预测模型的预测精确度。同时LS-SVM遵循结构化风险最小原则，克服了神经网络存在的局部最优、训练周期长等缺点，并且选择Logistic映射混沌模型对LS-SVM预测模型的径向基核函数中的γ，σ2两个参数进行全局寻优，提高了LS-SVM模型的预测精度及泛化性能。

表1 误差分析与比较

误差种类混沌LS-SVM预测模型BP网络预测模型均方误差1.2801.473平均绝对误差/%2.1708.365平均相对误差/%3.21612.165

4 结束语

在判别锂离子电池动力学系统具有混沌特性的基础上，建立了基于混沌时间序列LS-SVM的车用锂离子电池SOC预测模型。

从专业设置管窥独立学院办学特色及竞争力的形成………………………………………………………………兰石财（1.69）

利用相空间重构技术将一维时间序列重构成多维状态空间时间序列，恢复了锂离子电池动力系统原有的多维非线性特性，最后利用LS-SVM预测模型进行预测，获得SOC的预测值。

仿真试验结果显示LS-SVM模型的预测精度高于BP神经网络，其中平均相对误差提高了2%。表明了相空间重构技术可以有效地恢复系统原有的多维非线性特性，扩大了LS-SVM模型的训练样本空间。采用混沌优化算法优化LS-SVM模型的参数，有效地提高了LS-SVM模型的预测精度及泛化性能。

桑树的种植情况直接影响到我国养蚕行业的生产和发展，培育茁壮的桑树苗才能保证桑园的高产稳产。由于桑蚕业发展需要，引进高产优势的桑树种，使用科学合理的育苗技术已经成为桑树种植的必然需求，笔者经过长期的实践研究，总结出了一套行之有效的桑树苗育苗技术，通过使用该项技术进行育苗，可以显著提高桑树成活率和叶片产量，从而为我国桑蚕养殖提供更好的支持。

参考文献：

[1] 张吉星.纯电动汽车动力锂离子电池SOC 估计算法研究[D]．长春:吉林大学,2015:4-5.

[2] Dang Xuanju,Yan Li,Jiang Hui,et al.Open-circuit voltage-based state of charge estimation of lithium-ion power battery by combining controlled auto-regressive and movingaverage modeling with feedforward-feedback compensation method[J]．Electrical Power and Energy Systems,2017,90:27-36.

[3] Ng K S,Moo C S,Chen Y P,et al.Enhanced coulomb counting method for estimating state-of-charge and state-of-health of lithiumion batteries[J]．Applied Energy,2009,86:1506-1511.

[4] Yang Naixing,Zhang Xiongwen,Li Guojun.State of charge estimation for pulse discharge of a LiFePO4 battery by a revised Ah counting[J]．Electrochimica Acta,2015,151:63-71.

[5] 戴海峰,孙泽昌,魏学哲.利用双卡尔曼滤波算法估计电动汽车用锂离子动力电池的内部状态[J]．机械工程学报,2009,45(6):95-101.

[6] Xiong Binyu,Zhao Jiyun,Wei Zhongbao,et al.Extended Kalman filter method for state of charge estimation of vanadium redox flow battery using thermal-dependent electrical model[J]．Journal of Power Sources,2014,262:50-61.

[7] 魏克新，陈峭岩．基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计[J]．中国电机工程学报,2012,32(31):19-27.

[8] 于洋,纪世忠,魏克新.基于 LS-SVM 算法动力电池SOC估计方法的研究[J]．电源技术,2012,36(3):349-370.

[9] 黄妙华，严永刚，朱立明．改进BP神经网络的磷酸铁锂电池SOC估算[J]．武汉理工大学学报(信息与管理工程版),2014,36(6):790-793.

[10] Kang LiuWang,Zhao Xuan,Ma Jian．A new neural network model for the state-of-charge estimation in the battery degradation process[J]．Applied Energy,2014,121:20-27.

[11] Du Jiani,Liu Zhitao,Wang Youyi,et al.An adaptive sliding mode observer for lithium-ion battery state of charge and state of health estimation in electric vehicles[J]．Control Engineering Practice,2016,54:81-90.

[12] Wolf A,Swift J B,Swinney H L,et al.Determining Lyapunov exponefits from a time series[J]．Physica D,1985,16:285-317.

[13] 李晓东,曾光明,黄国和,等.城市污水量短时预测的混沌神经网络模型[J]．环境科学学报,2006,26(3):416-419.

[14] Packard N H,Crutchfield J P,Farmer J D,et al.Geometry from a Time Series[J]．Physics Review Letters,1980:712-716.

[15] Takens F．Detecting strange attractors in turbulence[C]．In:Lecture Notes in Mathematics,898,Springer,Bedi,1981.

[16] 窦春霞.基于混沌理论的过热汽温最优预测控制策略[J]．燃烧科学与技术,2003,9(4):367-371.

[17] Grassberger P,Procaccia I.Characterization of strange attractors[J]．Phys.Rev.Lett.,1983,50:346.

[18] Kim H S,Eykholt R,Salas J D.Nonlinear dynarnie,delay times,and embedding windows[J]．Physica D,1999,127:48-60.

[19] 叶美盈,汪晓东,张浩然.基于在线最小二乘支持向量机回归的混沌时间序列预测[J]．物理学报,2005,54(6):2568-2573.

[20] 阎威武,绍惠鹤.支持向量机和最小二乘支持向量机的比较及应用[J]．控制与决策,2003,18(3):18-20.

[21] 胡宾,崔广柏,朱灵芝.BP神经网络预测河流月径流量[J]．浙江水利科技,2007,150(2):15-19.