Berbagi teknologi

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Artikel tutorial

Deskripsi model

Metode gabungan jaringan saraf transformator (Transformer) dan unit berulang gerbang (GRU) berdasarkan dekomposisi mode variasional (VMD) dan optimasi gerombolan partikel (PSO) diusulkan. Pertama, informasi kapasitas baterai lithium didekomposisi melalui algoritma dekomposisi mode variasional untuk menghindari tingkat dekomposisi yang tidak masuk akal yang mempengaruhi kemampuan prediksi, metode frekuensi pusat digunakan untuk menentukan keadaan dekomposisi sebagai dasar interpretasi efektif dari aslinya. informasi data; kemudian algoritma optimasi kawanan partikel digunakan untuk mengoptimalkan penyesuaian Jaringan saraf transformasi dan hyperparameter dari struktur unit berulang yang terjaga keamanannya. Jaringan saraf transformasi menggunakan lapisan linier alih-alih decoder untuk lebih beradaptasi dengan data deret waktu, mempertahankan encoder untuk menangkap karakteristik global dan korelasi internal data, dan meningkatkan satu Transformer dan akurasi prediksi model gabungannya; terakhir, Transformer dan GRU masing-masing memprediksi tren utama dan frekuensi tinggi, serta prediksi keduanya. model digabungkan untuk melengkapi estimasi baterai lithium-ion SOH. Efek prediksi model diverifikasi menggunakan kumpulan data baterai lithium NASA, dan dikombinasikan dengan model tunggal seperti persepsi multi-lapisan (MLP), jaringan saraf berulang (RNN) dan fungsi Gaussian - GRU, model Transformer-Gabungan seperti MLP dibandingkan. Hasilnya menunjukkan bahwa model prediksi dalam makalah ini lebih baik dibandingkan model tunggal atau model gabungan lainnya dalam hal akurasi dan fenomena regenerasi. Rata-rata error absolut dan root mean square error dari hasil prediksi dipertahankan pada kisaran 0,62% dan 1,19%, serta koefisien determinasi adalah 87,08%. Di atas, efektivitas metode penelitian yang diusulkan telah diverifikasi.

Efek prediksi