针对锂离子电池荷电状态(SOC)数据特征多样性和预测的复杂性,提出一种基于遗传算法(genetic algorithm,GA)优化的频域特征提取器(frequency-domain features extractor,FDFE)与带有注意力机制的序列到序列(Seq2Seq)网络联合预测模型。...针对锂离子电池荷电状态(SOC)数据特征多样性和预测的复杂性,提出一种基于遗传算法(genetic algorithm,GA)优化的频域特征提取器(frequency-domain features extractor,FDFE)与带有注意力机制的序列到序列(Seq2Seq)网络联合预测模型。模型使用FDFE提取锂离子电池数据中丰富的频率信息,能有效分析数据中的周期性规律。Seq2Seq能从锂离子电池数据中捕捉电池时频信息,结合注意力机制分配权重,以建立特征输入和SOC输出之间的非线性和动态关系。利用GA优化模型的超参数,使GA-FDFE-Seq2Seq模型能够针对不同条件进行预测。实验结果表明:GA-FDFESeq2Seq模型表现出优越的预测性能,其预测精度高达99.99%,且误差均低于1%。相较于其他预测模型,GA-FDFE-Seq2Seq模型的预测精度更高,误差更小,预测可靠性更强。展开更多
文摘针对锂离子电池荷电状态(SOC)数据特征多样性和预测的复杂性,提出一种基于遗传算法(genetic algorithm,GA)优化的频域特征提取器(frequency-domain features extractor,FDFE)与带有注意力机制的序列到序列(Seq2Seq)网络联合预测模型。模型使用FDFE提取锂离子电池数据中丰富的频率信息,能有效分析数据中的周期性规律。Seq2Seq能从锂离子电池数据中捕捉电池时频信息,结合注意力机制分配权重,以建立特征输入和SOC输出之间的非线性和动态关系。利用GA优化模型的超参数,使GA-FDFE-Seq2Seq模型能够针对不同条件进行预测。实验结果表明:GA-FDFESeq2Seq模型表现出优越的预测性能,其预测精度高达99.99%,且误差均低于1%。相较于其他预测模型,GA-FDFE-Seq2Seq模型的预测精度更高,误差更小,预测可靠性更强。
