기술나눔

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

튜토리얼 기사

모델 설명

VMD(Variation Mode Decomposition)와 PSO(Particle Swarm Optimization)를 기반으로 한 Transformer Neural Network(Transformer)와 Gate Recurrent Unit(GRU)의 결합 방법을 제안합니다. 먼저, 리튬 배터리 용량 정보를 변이 모드 분해 알고리즘을 통해 분해하여 예측 능력에 영향을 미치는 불합리한 정도의 분해를 방지하기 위해 중심 주파수 방법을 사용하여 분해 상태를 판별함으로써 원본을 효과적으로 해석합니다. 데이터 정보; 그런 다음 입자 무리 최적화 알고리즘을 사용하여 조정된 변환 신경망과 게이트 순환 단위 구조의 하이퍼파라미터를 최적화합니다. 변환 신경망은 시계열 데이터에 더 잘 적응하기 위해 디코더 대신 선형 레이어를 사용합니다. 인코더는 데이터의 전체 특성과 내부 상관 관계를 포착하여 단일 Transformer와 결합 모델 예측 정확도를 향상합니다. 마지막으로 Transformer와 GRU는 각각 주요 추세 하위 시퀀스와 두 모델의 예측을 예측합니다. 리튬이온 배터리 SOH 추정을 완료하기 위해 융합됩니다. NASA 리튬 배터리 데이터 세트를 이용하여 모델의 예측 효과를 검증하였고, 다층 인식(MLP), 순환 신경망(RNN) 및 가우시안 함수 등 단일 모델과 결합 - GRU, 트랜스포머 - MLP 등 결합 모델 비교됩니다. 결과는 본 논문의 예측 모델이 정확도와 재생성 측면에서 다른 단일 모델이나 결합 모델보다 우수함을 보여주며, 예측 결과의 평균절대오차와 제곱평균제곱오차는 0.62%와 1.19% 이내를 유지하고 있다. 결정계수는 87.08%로 제안된 연구방법의 유효성이 검증되었다.

예측 효과