Teknologian jakaminen

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Opetusartikkelit

Mallin kuvaus

Ehdotetaan muuntajan hermoverkon (Transformer) ja gate Recurrent unit (GRU) yhteistä menetelmää, joka perustuu variaatiomuotohajoamiseen (VMD) ja hiukkasparvioptimointiin (PSO). Ensin litiumakun kapasiteettitiedot hajotetaan variaatiomoodien hajoamisalgoritmin avulla. Jotta vältytään ennustekykyyn vaikuttavalta kohtuuttomalta hajoamisasteelta, käytetään keskustaajuusmenetelmää hajoamistilan määrittämiseen alkuperäisen tehokkaan tulkinnan perustana. sitten käytetään hiukkasparven optimointialgoritmia säädetyn muunnoshermon verkko ja avainnetun toistuvan yksikön rakenteen hyperparametrit. Muunnoshermoverkko käyttää lineaarista kerrosta dekooderin sijaan mukautuakseen paremmin aikasarjatietoihin kooderi tietojen globaalien ominaisuuksien ja sisäisen korrelaation kaappaamiseksi, mikä parantaa yhden muuntajan ja sen yhteisen mallin ennustetarkkuutta, lopuksi Transformer ja GRU ennustavat vastaavasti päätrendin osasekvenssin ja vastaavasti korkeataajuisen osasekvenssin sekä ennusteet. sulatetaan litiumioniakun SOH-arvioinnin loppuunsaattamiseksi. Mallin ennustevaikutus varmistettiin NASAn litiumparistotietojoukolla ja yhdistettynä yksittäisiin malleihin, kuten monikerroksinen havainto (MLP), toistuva hermoverkko (RNN) ja Gaussin funktiot - GRU, muuntaja-yhdistelmämallit, kuten MLP. verrataan. Tulokset osoittavat, että tässä artikkelissa esitetty ennustemalli on tarkkuuden ja regeneraatioilmiön suhteen parempi kuin muut yksittäiset mallit. determinaatiokerroin on 87,08. Edellä ehdotetun tutkimusmenetelmän tehokkuus varmistettiin.

Ennustava vaikutus