Compartir tecnología

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Artículos tutoriales

Descripcion del modelo

Se propone un método conjunto de red neuronal transformadora (Transformer) y unidad recurrente de puerta (GRU) basado en la descomposición en modo variacional (VMD) y la optimización del enjambre de partículas (PSO). Primero, la información sobre la capacidad de la batería de litio se descompone mediante el algoritmo de descomposición en modo variacional. Para evitar un grado irrazonable de descomposición que afecte la capacidad de predicción, se utiliza el método de frecuencia central para determinar el estado de descomposición como base para una interpretación efectiva del original. información de datos; luego se utiliza el algoritmo de optimización del enjambre de partículas para optimizar la red neuronal de transformación ajustada y los hiperparámetros de la estructura de unidad recurrente cerrada. La red neuronal de transformación utiliza una capa lineal en lugar del decodificador para adaptarse mejor a los datos de series de tiempo, reteniendo. el codificador captura las características globales y la correlación interna de los datos y mejora la precisión de la predicción de un solo Transformer y su modelo conjunto. Finalmente, Transformer y GRU predicen la subsecuencia de tendencia principal y la subsecuencia de alta frecuencia, respectivamente, y las predicciones de las dos; Los modelos se fusionan para completar la estimación de la batería de iones de litio SOH. El efecto de predicción del modelo se verificó utilizando el conjunto de datos de baterías de litio de la NASA y se combinó con modelos individuales como la percepción multicapa (MLP), la red neuronal recurrente (RNN) y funciones gaussianas (GRU, transformadores) y modelos combinados como MLP. se comparan. Los resultados muestran que el modelo de predicción en este artículo es mejor que otros modelos individuales o conjuntos en términos de precisión y fenómeno de regeneración. El error absoluto promedio y el error cuadrático medio de los resultados de la predicción se mantienen entre 0,62% y 1,19%. el coeficiente de determinación es del 87,08%. Arriba se verifica la efectividad del método de investigación propuesto.

Efecto de predicción