Condivisione della tecnologia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Articoli tutoriali

Descrizione del Modello

Viene proposto un metodo congiunto di rete neurale del trasformatore (Transformer) e unità ricorrente di gate (GRU) basato sulla decomposizione in modalità variazionale (VMD) e sull'ottimizzazione dello sciame di particelle (PSO). Innanzitutto, le informazioni sulla capacità della batteria al litio vengono scomposte attraverso l'algoritmo di decomposizione in modalità variazionale. Per evitare che un grado di decomposizione irragionevole influenzi la capacità di previsione, viene utilizzato il metodo della frequenza centrale per determinare lo stato di decomposizione come base per un'interpretazione efficace dell'originale. informazioni sui dati; quindi l'algoritmo di ottimizzazione dello sciame di particelle viene utilizzato per ottimizzare la rete neurale di trasformazione e gli iperparametri della struttura dell'unità ricorrente con cancello. La rete neurale di trasformazione utilizza uno strato lineare invece del decodificatore per adattarsi meglio ai dati delle serie temporali, conservandoli il codificatore per acquisire le caratteristiche globali e la correlazione interna dei dati e migliora la precisione di previsione di un singolo trasformatore e del suo modello congiunto, infine, Trasformatore e GRU prevedono rispettivamente la sottosequenza del trend principale e la sottosequenza ad alta frequenza e le previsioni dei due; i modelli sono fusi per completare la stima del SOH della batteria agli ioni di litio. L'effetto di previsione del modello è stato verificato utilizzando il set di dati della batteria al litio della NASA e combinato con singoli modelli come percezione multistrato (MLP), rete neurale ricorrente (RNN) e funzioni gaussiane - GRU, modelli Transformer-Combinati come MLP vengono confrontati. I risultati mostrano che il modello di previsione in questo documento è migliore di altri modelli singoli o modelli congiunti in termini di accuratezza e fenomeno di rigenerazione. L'errore assoluto medio e l'errore quadratico medio dei risultati della previsione sono mantenuti tra 0,62% e 1,19%. il coefficiente di determinazione è 87,08%. Sopra viene verificata l'efficacia del metodo di ricerca proposto.

Effetto di previsione