Compartilhamento de tecnologia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Artigos tutoriais

Descrição do modelo

É proposto um método conjunto de rede neural de transformador (Transformer) e unidade recorrente de porta (GRU) baseado em decomposição de modo variacional (VMD) e otimização de enxame de partículas (PSO). Primeiro, as informações sobre a capacidade da bateria de lítio são decompostas através do algoritmo de decomposição do modo variacional. A fim de evitar o grau irracional de decomposição que afeta a capacidade de previsão, o método de frequência central é usado para determinar o estado de decomposição como base para uma interpretação eficaz do original. informações de dados; em seguida, o algoritmo de otimização de enxame de partículas é usado para otimizar a rede neural de transformação ajustada e os hiperparâmetros da estrutura de unidade recorrente fechada. A rede neural de transformação usa uma camada linear em vez do decodificador para melhor se adaptar aos dados da série temporal, retendo. o codificador para capturar as características globais e a correlação interna dos dados e melhorar um único transformador e sua precisão de previsão do modelo conjunto. Finalmente, o transformador e o GRU prevêem a subsequência de tendência principal e a subsequência de alta frequência, respectivamente, e as previsões dos dois; os modelos são fundidos para completar a estimativa do SOH da bateria de íons de lítio. O efeito de predição do modelo foi verificado usando o conjunto de dados da bateria de lítio da NASA e combinado com modelos únicos, como percepção multicamada (MLP), rede neural recorrente (RNN) e funções gaussianas - GRU, modelos combinados de transformadores, como MLP são comparados. Os resultados mostram que o modelo de previsão neste artigo é melhor do que outros modelos únicos ou modelos conjuntos em termos de precisão e fenômeno de regeneração. O erro absoluto médio e a raiz do erro quadrático médio dos resultados da previsão são mantidos entre 0,62% e 1,19%, e o coeficiente de determinação é de 87,08%. Acima, verifica-se a eficácia do método de pesquisa proposto.

Efeito de previsão