Technologieaustausch

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Tutorial-Artikel

Modellbeschreibung

Es wird eine gemeinsame Methode eines transformatorischen neuronalen Netzwerks (Transformer) und einer Gate-Recurrent-Einheit (GRU) vorgeschlagen, die auf Variational Mode Decomposition (VMD) und Partikelschwarmoptimierung (PSO) basiert. Zunächst werden die Kapazitätsinformationen der Lithiumbatterie durch den Variationsmodus-Zerlegungsalgorithmus zerlegt. Um den unangemessenen Grad der Zerlegung zu vermeiden, der die Vorhersagefähigkeit beeinträchtigt, wird die Zentralfrequenzmethode verwendet, um den Zerlegungszustand als Grundlage für eine effektive Interpretation des Originals zu bestimmen Dateninformationen; dann wird der Partikelschwarm-Optimierungsalgorithmus verwendet, um das angepasste neuronale Transformationsnetzwerk und die Hyperparameter der Gated-Recurrent-Unit-Struktur zu optimieren. Das transformierte neuronale Netzwerk verwendet eine lineare Schicht anstelle des Decoders, um sich besser an die Zeitreihendaten anzupassen Der Encoder erfasst die globalen Eigenschaften und die interne Korrelation der Daten und verbessert schließlich die Vorhersagegenauigkeit des einzelnen Transformers und des GRU-Modells sowie die Vorhersagen der beiden Modelle werden verschmolzen, um die Schätzung des SOH der Lithium-Ionen-Batterie zu vervollständigen. Der Vorhersageeffekt des Modells wurde mithilfe des NASA-Lithiumbatteriedatensatzes verifiziert und mit Einzelmodellen wie Multi-Layer-Perception (MLP), rekurrentem neuronalem Netzwerk (RNN) und Gaußschen Funktionen (GRU) sowie Transformer-kombinierten Modellen wie MLP kombiniert werden verglichen. Die Ergebnisse zeigen, dass das Vorhersagemodell in diesem Artikel hinsichtlich der Genauigkeit und des Regenerationsphänomens besser ist als andere Einzelmodelle oder gemeinsame Modelle. Der durchschnittliche absolute Fehler und der quadratische Mittelfehler der Vorhersageergebnisse liegen zwischen 0,62 % und 1,19 % Das Bestimmtheitsmaß beträgt 87,08 %. Oben wurde die Wirksamkeit der vorgeschlagenen Forschungsmethode überprüft.

Vorhersageeffekt