辅导文章

模型描述

提出一种基于变分模态分解(variational mode decomposition，VMD)与粒子群优化(particle swarm optimization，PSO)的变换神经网络(Transformer)和门控循环单元(gate recurrent unit，GRU)的联合方法。首先将锂电池容量信息通过变分模态分解算法分解，为避免分解程度不合理影响预测能力，使用中心频率法判断分解状态作为原数据信息有效解释依据；然后使用粒子群优化算法优化调整后的变换神经网络和门控循环单元结构的超参数，变换神经网络采用线性层代替解码器(decoder)更好适用时序数据，保留编码器(encoder)捕获数据全局特征及内部相关性，提升了单个Transformer 及其联合模型预测精度；最后由Transformer 和GRU分别对主趋势子序列和高频子序列预测，并将两种模型的预测进行融合以完成对锂离子电池SOH的估算。利用NASA锂电池数据集验证了模型的预测效果，并通过与多层感知机(multi-layer perception，MLP)、循环神经网络(recurrent neural network，RNN)等单一模型和高斯函数-GRU、Transformer-MLP 等联合模型进行对比。结果表明本文预测模型无论在精度还是再生现象的拟合程度都优于其他单个模型或者联合模型，预测结果的平均绝对误差和均方根误差维持在0.62%和1.19%以内，决定系数在87.08%之上，验证了所提研究方法的有效性。

预测效果