Обмен технологиями

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Учебные статьи

Описание модели

Предлагается совместный метод трансформаторной нейронной сети (Трансформер) и вентильного рекуррентного устройства (ГРУ), основанный на вариационной модовой декомпозиции (ВМД) и роевой оптимизации частиц (ПСО). Во-первых, информация о емкости литиевой батареи разлагается с помощью алгоритма разложения по вариационному режиму. Чтобы избежать необоснованной степени разложения, влияющей на способность прогнозирования, метод центральной частоты используется для определения состояния разложения в качестве основы для эффективной интерпретации оригинала. информация о данных; затем алгоритм оптимизации роя частиц используется для оптимизации скорректированной нейронной сети преобразования и гиперпараметров структуры вентилируемого рекуррентного элемента. Нейронная сеть преобразования использует линейный слой вместо декодера, чтобы лучше адаптироваться к данным временных рядов, сохраняя их. кодировщик для сбора глобальных характеристик и внутренней корреляции данных, улучшая точность прогнозирования отдельного преобразователя и его совместной модели, наконец, Transformer и GRU прогнозируют основную подпоследовательность тренда и высокочастотную подпоследовательность соответственно, а также прогнозы двух моделей; сплавлены, чтобы завершить оценку литий-ионного аккумулятора SOH. Эффект прогнозирования модели был проверен с использованием набора данных о литиевых батареях НАСА и в сочетании с отдельными моделями, такими как многоуровневое восприятие (MLP), рекуррентная нейронная сеть (RNN) и функции Гаусса - GRU, Трансформатор - комбинированные модели, такие как MLP. сравниваются. Результаты показывают, что модель прогнозирования в этой статье лучше, чем другие отдельные модели или совместные модели с точки зрения точности и явления регенерации. Средняя абсолютная ошибка и среднеквадратическая ошибка результатов прогнозирования поддерживаются в пределах 0,62% и 1,19%, и коэффициент детерминации - 87,08%. Выше проверена эффективность предложенного метода исследования.

Эффект прогнозирования