1.一种比例‑支持向量机(SVM)稳态估计超级电容充放电控制方法，其特征在于该超级电容充放电控制系统采用比例P控制加上支持向量机给出的稳态控制值，控制过程分为两阶段，阶段实现如下：阶段1：先采用传统的PI控制器进行超级电容充放电电流控制，采集在不同启动状态时*超级电容充放电状态数据 包括充(放)电流给定IL、充(放)电流IL、电荷状态Soc、超级电容电压Usc等，以及各状态对应的PI控制器的稳态输出值yi，用支持向量机来拟合出各状态与该状态下的PI控制器稳态输出值的关系；  设学习样本为SVM回归通过非线性映射Φ将数据映射到高维特征空间，再在高维特征空间进行线性回归，SVM回归可表示为：f(x)＝(w·Φ(x))+b   (1)

n

其中系数w∈R，偏置b∈R； SVM最小化模型的结构风险，即：约束条件：yi‑f(xi)≤ε+ξi，

这里ξi和 为松弛变量，C为惩罚系数，ε用于定义ε线性不敏感损失函数：ε

L(x,y,f)＝|y‑f(x)|ε＝max(0,|y‑f(x)|‑ε)   (4)方程(2)通过对偶形式的Lagrange多项式，可转化为：约束条件：

其中 αi为Lagrange乘子，K(xi,xj)为满足Mercer条件的核函数，可采用多种核函数如：

2 2

径向基核函数：K(x,xi)＝exp(‑|x‑xi|/σ)； 其中σ为径向基宽度多项式核函数：K(x,xi)＝(xTxi+1)u(u∈N)，u为指数Sigmoid函数：K(x,xi)＝tanh(a(xTxi)+c)(a,c∈R)，a，c为参数由于SVM的稀疏性，二次规划(5)的解中只有少量样本的系数 不为0，系数不为0所对应的样本(xi,yi)就是支持向量(support vector)； 设支持向量个数为g，从而由支持向量得到SVM回归：将采集的数据中的70％作为训练样本，剩余30％作为测试样本，将电流环给定和系统状态xi作为支持向量机的输入，各初始状态所对应的PI控制器稳态输出值yi作为支持向量机的输出，通过求解，可以得到以各启动状态作为输入，以PI控制器稳态值为输出的支持向量机模型，具体步骤如下：Step1采集实际运行数据，将xi和yi进行归一化处理；

Step2采用Vapnik算法进行训练，通过网格优化法对不同模型参数(惩罚系数C、松弛变量ξ和核函数参数)对支持向量机进行学习和交叉验证测试，分别得到最佳支持向量机模型；

阶段2：为加快超级电容充放电由暂态到稳态的过程，将训练好的支持向量机用于超级电容充放电电流控制，充放电状态信号作为支持向量机的输入，支持向量机的输出即作为P控制器稳态值输出，既将给定充放电电流I*L与实际电流IL相减，经比例控制器控制器，输出信号UIP再与支持向量机的输出UIW相叠加，叠加后的控制信号UI经限幅后对PWM进行控制，实现超级电容充放电快速稳定控制：UI＝UIP+UIW   (10)

其中Umax和Umin分别为输出的最大和最小限幅值。