我国公共充电桩增长量与新能源汽车销量的关系探究

在“双碳目标”的国家战略因素下,我国新能源汽车产业得到飞速发展,这一切都离不开充电桩的建设。为了探究新能源汽车与充电桩的关系,基于全国2019—2023年新能源汽车销售量和公共充电桩增长量的月度数据,建立VAR模型并进行实证分析。根据格兰杰因果检验、脉冲响应分析与方差分解,得出新能源汽车销量对公共充电桩增长量带来正面效应,而公共充电桩增长量对新能源汽车销量影响力较弱。最后根据研究结果对新能源汽车与公共充电桩的发展提出相应的意见。     

我国新能源汽车公共充电桩保有量预测——基于ARIMA模型

在“双碳”的目标之下,我国新能源汽车市场快速发展,充电设施作为其配套服务行业,现已成为支撑新能源汽车产业发展的重要因素。基于此,选取我国2019年1月—2023年12月新能源汽车公共充电桩保有量进行预测,运用R软件建立ARIMA模型,并对模型进行检验及拟合,同时用已有数据进行验证,结果表明该模型的预测效果较好,具有一定参考价值。     

基于改进支持向量回归机的锂离子电池剩余寿命预测

为提高电动汽车锂离子电池剩余循环寿命预测的准确性,提出了一种基于改进支持向量回归机的预测算法,利用免疫完全学习型粒子群优化算法对支持向量回归机的惩罚系数和超参数进行优化,增强其预测能力,基于NASA PCoE研究中心提供的锂电池测量数据,与完全学习型粒子群优化的支持向量回归机预测算法进行对比分析,仿真结果显示,本文提出的算法预测相对误差低于6%,容量预测平均相对误差低于0.4%,具有更好的预测性能。     

基于批处理增量Lagrange支持向量回归机的短时交通流预测模型

实时、准确的交通流预测是智能交通控制和诱导的关键之一,针对实际中短时交通流数据批量增加的情况,为了提高预测模型准确性、缩短运行时间和模型更新问题,文章提出了一种基于批处理增量学习Lagrange支持向量回归机的短时交通流预测模型。仿真实验表明,与传统的支持向量回归机增量学习算法相比,提高了模型的预测精度,缩短了训练时间。     

电子集成技术在新能源汽车推广应用过程中的应用与探索

电子集成技术在新能源汽车推广应用,加快了新能源汽车推广使用的步伐,特别是在城市公交领域推广应用,大量更换到城市公交运营线路,目前已在全市61条公交线路、运营了1248台新能源汽车、13座充电站为其进行充电服务保障,电子集成和配装技术大量应用到了新能源汽车中,为新能源汽车推广应用、节能环保、改善大气环境质量做出了积极贡献...     

基于支持向量机的物流配送中心选址决策

建立了选址决策的模糊评价矩阵,应用支持向量机方法(SVM)来处理数据,进行物流配送中心的选址决策。支持向量回归机根据所提供的数据,通过学习和训练,找出输入与输出的内在联系,从而求取问题的解,而不是根据经验知识,因而具有自适应功能,能弱化指标权重确定中人为因素的影响。与传统方法相比较,有较好的泛化能力,能较客观地对多个选址方案的优劣进行评价。最后,引用实例说明利用支持向量回归机完成评价工作的全部步骤。     

基于数据流集成回归的短时交通流预测

传统的交通流预测技术使用静态和离线算法,无法对模型的参数值和内部结构进行在线调整.然而,交通流变化具有明显的动态性,其内在模式会随时间发生变化,导致构建好的模型准确度下降.针对上述问题,提出了基于数据流集成回归的短时交通流预测模型.将不断产生的交通流数据划分成数据块,每个数据块训练1个基础回归模型,然后加权组合为集成模型.通过不断训练新的基础模型,并置换出集成模型中准确度最差的基础模型,实现在线更新.在实测数据上的对比实验结果表明,与静态离线的BN模型相比,模型的均方根误差降低了19.5%,运算时间降低了48.7%,并能够快速适应交通状况发生明显变化的情况,适用于城市主干道路的短时交通流预测问题.      

基于支持向量机的城市私人汽车保有量滚动预测

针对城市私人汽车保有量增长预测问题,在对支持向量机理论进行改进的基础上,进行滚动预测研究。在对已有的机动车保有量预测模型进行对比分析的基础上,建立了基于支持向量机的私人汽车保有量滚动预测模型,并利用北京市私家车保有量历史数据对滚动预测模型进行了实证分析。结果表明该预测模型具有较高的预测精度、符合实际需求、具有广泛的应用前景。     

基于支持向量机的水泥抗压强度预测

利用支持向量机结构简单、学习性能出色和较强的推广性等优点,通过对已有实例样本的学习,建立了水泥28d抗压强度与其各影响因素之间的高度非线性映射关系,然后用样本学到的新关系预测新的水泥抗压强度,并将预测结果与传统回归分析、神经网络预测结果进行了对比。研究表明,与传统的方法相比,支持向量机方法精度较高、相对误差小,为预测水泥28d抗压强度提供了一条新途径。     

基于Lagrange支持向量回归机的短时交通流量预测模型的研究

在智能交通系统中,进行实时、准确的交通流预测是交通控制和交通流诱导的关键之一,直接影响交通控制和交通诱导的效果.基于支持向量机,提出了一种Lagrange支持向量回归机的交通流量短时预测模型,能够实现对交通流量的有效预测.仿真试验表明,Lagrange支持向量回归机具有良好的泛化性能、更快的迭代速度,预测结果优于改进的BP神经网络.     

基于改进支持向量机的交通流量预测算法研究

城市交通流具有复杂性、时变性和随机性,如何实时准确的预测交通流量是实现智能交通诱导及控制的前提.结合交通流的时间序列特性,提出基于改进支持向量机的交通流预测算法,该算法能够克服神经网络预测的不足,对支持向量机算法在嵌入维数、核函数和参数选择上进行了改进.实验仿真结果表明,该算法具有很好的预测精度和适用性.     

基于支持向量机模型的深基坑变形预测研究

支持向量机是近年来在统计学习理论基础上发展起来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势.将支持向量机用于基坑变形预测,根据基坑位移的实测时间序列资料,建立基坑位移与时间的关系模型.将实际基坑工程监测资料作为学习训练样本和测试样本,将模型计算结果与实际监测值进行对比分析、研究....     

基于数据分析的新能源车充电站营销策略制定——以某充电站为例

近年来,随着电动汽车充电桩行业的快速发展,一系列问题也逐步显现,如充电设备整体利用率不高、充电桩分布不均、用户体验不佳、运营效率低下等。充电桩运营商要解决这些问题,其中一条重要的路径就是实现以数据分析为基础的数据化运营。本文以某一充电场站为例,通过分析其一个季度的用户充电数据,发现了用户充电行为的特征,并运用RFM分析方法对用户进行了分类,最终提出了针对不同类型用户的营销策略。     

基于线性规划支持向量机的隧道围岩变形预测

支持向量机(SVM)以其良好的学习性能被广泛应用于包括隧道围岩变形在内的时间序列预测,核函数形式对其预测能力有重要影响,故灵活运用核技巧来增强推广性能已成为支持向量机应用研究的一个重要方面.对于标准SVM及最小二乘支持向量机(LS-SVM),由于其核函数必须满足Mercer条件,因而大大限制了核函数选取范围,制约着推广能力的进一步提升.为此引入一种新型的时间序列预测模型--线性规划支持向量机(LP-SVM),因其核函数不必满足Mercer条件,从而为灵活选取核函数提供了方便.将新预测模型应用于岭南高速公路雪家庄隧道围岩变形预测,分析结果表明,在同时采用径向基(RBF)核函数的情况下,LP-SVM与LS-SVM的预测精度非常接近,能够满足工程需要,但由于前者的核函数可以在更大范围内选取,使其预测性能具有更大的提升空间,从而为岩体变形预测提供了一种更具潜力的新途径.     

基于物联网技术的新能源汽车充电桩电气火灾预警系统设计研究

新能源汽车产业作为国家战略性新兴产业,在节能减排、推动能源变革等方面发挥着重要作用。但随着新能源汽车保有量的快速增长,充电设施及充电安全问题日益突出,充电桩电气火灾事故频发,严重威胁公共安全。文章在分析充电桩电气火灾主要特点与成因的基础上,利用物联网技术设计了一套新能源汽车充电桩电气火灾预警系统。     

基于深度学习的新能源汽车动力电池SOC预测模型优化设计

提出了一种基于改进BP算法的CNN-GRU深度学习模型,旨在精确预测新能源汽车动力电池的荷电状态（SOC）。针对电池在不同工况下,尤其是考虑到南北方不同季节温度差异和电池寿命衰退导致的内阻增大问题,该模型通过两个阶段以实现更精准的SOC估算。在第一阶段,利用BP算法对电池的电压、电流和温度数据进行处理,识别电池衰退过程中的等效内阻,反映电池寿命的内部衰减。随后,在第二阶段将温度、等效内阻以及前一时刻的SOC等因素作为输入,优化训练CNN-GRU网络,提高模型的智能化学习能力和预测精度。研究表明,该模型在不同温度环境下能保持良好的SOC预测表现,与传统的拓展卡尔曼滤波算法（EKF）相比,其误差显著降低,具有更高的鲁棒性和泛化能力。     

基于机器视觉和支持向量机的汽车焊点定位研究

如何提高工业机器人的定位精度是实现汽车焊点自动化检测任务的一个关键技术问题。针对传统示教再现机器人存在的定位精度问题,提出一种基于机器视觉和支持向量机回归的焊点定位方法。通过融合激光测距信息的视觉系统测量机器人示教位置与期望位置的偏差,进行焊点的初步定位;建立基于粒子群优化算法的支持向量机回归模型,对视觉引导后的机器人末端进行三维空间上的误差补偿,实现焊点的精确定位;搭建了一套完整的试验平台,并与常用的支持向量机参数优化算法以及误差补偿模型进行比较和误差分析,验证了该方法的有效性和优越性。     

基于主成分分析和改进支持向量机的锂离子电池健康状态预测

针对现有锂离子电池健康状态(SOH)预测方法预测精度不高,且预测准确率易受特征参数冗余或不足影响的问题,提出一种将主成分分析(PCA)算法与粒子群优化(PSO)支持向量回归(SVR)模型相结合的方法,首先提取多个可以反映电池性能退化状态的特征参数,然后应用PCA算法对特征参数进行降维处理,构建基于SVR的SOH预测模型,并使用PSO算法对SVR关键参数进行全局寻优,最后采用美国国家航空航天局电池数据集与现有的预测方法进行对比试验,结果表明,该方法具有较高的预测精度。     

基于支持向量机的单桩竖向极限承载力预测

在综合了各种单桩竖向极限承载力分析方法的基础上,建立了相应的单桩竖向极限承载力预测模型。以实测数据为学习样本和测试样本,讨论了基于支持向量机的单桩竖向极限承载力分析方法及其可行性。研究表明,该法更能反映桩的实际受力过程,具有一定的工程应用价值。     

基于支持向量机的动力电池故障诊断

电池故障诊断是电池管理系统中一项十分重要的技术。针对电池故障和电池输出状态量之间不确定的关系,采用模糊逻辑可以对模糊关系进行准确描述。选用合适的隶属度函数来表示输出的电压、电流信号,用模糊数学理论表示不确定的电池故障与电池输出状态量之间的关系,生成模糊数据库,用支持向量机对数据进行训练和测试,由结果可知该方法有较高的准确性。