技術共有

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

チュートリアル記事

モデルの説明

変分モード分解(VMD)と粒子群最適化(PSO)に基づくトランスフォーマーニューラルネットワーク(Transformer)とゲートリカレントユニット(GRU)の結合方法を提案した。まず、変分モード分解アルゴリズムを通じてリチウム電池の容量情報を分解し、予測能力に影響を与える不当な分解を避けるために、元の情報を効果的に解釈するための基礎として中心周波数法を使用して分解状態を決定します。データ情報; 次に、粒子群最適化アルゴリズムを使用して、調整された変換ニューラル ネットワークとゲートリカレント ユニット構造のハイパーパラメーターを最適化します。変換ニューラル ネットワークは、デコーダーの代わりに線形層を使用して、時系列データに適切に適応します。エンコーダはデータの全体的な特性と内部相関を捕捉し、単一の Transformer とその結合モデルの予測精度を向上させます。最後に、Transformer と GRU は、それぞれメイン トレンド サブシーケンスと高周波サブシーケンス、および 2 つの予測を予測します。モデルを融合して、リチウムイオン電池の SOH の推定を完了します。モデルの予測効果は、NASA リチウム電池データセットを使用して検証され、多層知覚 (MLP)、リカレント ニューラル ネットワーク (RNN)、ガウス関数などの単一モデルと組み合わせられました。GRU、トランスフォーマー、MLP などの組み合わせモデルが比較されます。結果は、この論文の予測モデルが精度と再生現象の点で他の単一モデルや結合モデルよりも優れており、予測結果の平均絶対誤差と二乗平均平方根誤差が0.62%と1.19%以内に維持されていることを示しています。決定係数は 87.08% 以上で、提案した研究手法の有効性が検証されました。

予測効果