Κοινή χρήση τεχνολογίας

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Άρθρα εκμάθησης

Περιγραφή μοντέλου

Προτείνεται μια κοινή μέθοδος νευρωνικού δικτύου μετασχηματιστή (Transformer) και επαναλαμβανόμενης μονάδας πύλης (GRU) που βασίζεται σε αποσύνθεση μεταβλητού τρόπου (VMD) και βελτιστοποίηση σμήνος σωματιδίων (PSO). Πρώτον, οι πληροφορίες χωρητικότητας της μπαταρίας λιθίου αποσυντίθενται μέσω του αλγόριθμου αποσύνθεσης μεταβλητής λειτουργίας Προκειμένου να αποφευχθεί ο παράλογος βαθμός αποσύνθεσης που επηρεάζει την ικανότητα πρόβλεψης, η μέθοδος κεντρικής συχνότητας χρησιμοποιείται για τον προσδιορισμό της κατάστασης αποσύνθεσης ως βάση για την αποτελεσματική ερμηνεία του αρχικού. Στη συνέχεια, ο αλγόριθμος βελτιστοποίησης σμήνος σωματιδίων χρησιμοποιείται για τη βελτιστοποίηση του προσαρμοσμένου νευρικού δικτύου μετασχηματισμού και των υπερπαραμέτρων της πυλωτής επαναλαμβανόμενης μονάδας ο κωδικοποιητής για να συλλάβει τα καθολικά χαρακτηριστικά και τον εσωτερικό συσχετισμό των δεδομένων και βελτιώνει την ακρίβεια πρόβλεψης ενός μετασχηματιστή και του κοινού μοντέλου του, τέλος, ο μετασχηματιστής και η υποακολουθία υψηλής συχνότητας αντίστοιχα, και οι προβλέψεις των δύο. Τα μοντέλα συντήκονται για να ολοκληρωθεί η εκτίμηση της μπαταρίας ιόντων λιθίου SOH. Το αποτέλεσμα πρόβλεψης του μοντέλου επαληθεύτηκε χρησιμοποιώντας το σύνολο δεδομένων μπαταριών λιθίου της NASA και συνδυάστηκε με μεμονωμένα μοντέλα όπως η αντίληψη πολλαπλών επιπέδων (MLP), το επαναλαμβανόμενο νευρωνικό δίκτυο (RNN) και οι λειτουργίες Gaussian - GRU, Transformer-Combined μοντέλα όπως το MLP συγκρίνονται. Τα αποτελέσματα δείχνουν ότι το μοντέλο πρόβλεψης σε αυτό το άρθρο είναι καλύτερο από άλλα μεμονωμένα μοντέλα ή κοινά μοντέλα όσον αφορά την ακρίβεια και το φαινόμενο αναγέννησης. Ο συντελεστής προσδιορισμού είναι 87,08%.

Εφέ πρόβλεψης