Partage de technologie

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Articles du didacticiel

Description du modèle

Une méthode conjointe de réseau neuronal de transformateur (Transformer) et d'unité récurrente de porte (GRU) basée sur la décomposition en mode variationnel (VMD) et l'optimisation par essaim de particules (PSO) est proposée. Premièrement, les informations sur la capacité de la batterie au lithium sont décomposées via l'algorithme de décomposition en mode variationnel. Afin d'éviter qu'un degré de décomposition déraisonnable n'affecte la capacité de prédiction, la méthode de la fréquence centrale est utilisée pour déterminer l'état de décomposition comme base d'une interprétation efficace de l'original. informations sur les données ; puis l'algorithme d'optimisation de l'essaim de particules est utilisé pour optimiser le réseau neuronal de transformation ajusté et les hyperparamètres de la structure d'unité récurrente fermée. Le réseau neuronal de transformation utilise une couche linéaire au lieu du décodeur pour mieux s'adapter aux données de séries chronologiques, en conservant. l'encodeur pour capturer les caractéristiques globales et la corrélation interne des données, et améliore un seul transformateur et la précision de prédiction de son modèle commun, enfin, Transformer et GRU prédisent respectivement la sous-séquence de tendance principale et la sous-séquence haute fréquence, ainsi que les prédictions des deux ; les modèles sont fusionnés pour compléter l’estimation du SOH des batteries lithium-ion. L'effet de prédiction du modèle a été vérifié à l'aide de l'ensemble de données de la batterie au lithium de la NASA et combiné avec des modèles uniques tels que la perception multicouche (MLP), le réseau neuronal récurrent (RNN) et les fonctions gaussiennes - GRU, transformateurs - modèles combinés tels que MLP. sont comparés. Les résultats montrent que le modèle de prédiction présenté dans cet article est meilleur que d'autres modèles simples ou modèles conjoints en termes de précision et de phénomène de régénération. L'erreur absolue moyenne et l'erreur quadratique moyenne des résultats de prédiction sont maintenues entre 0,62 % et 1,19 %, et le coefficient de détermination est de 87,08 %. Ci-dessus, l'efficacité de la méthode de recherche proposée est vérifiée.

Effet de prédiction