期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于增强型鲸鱼优化算法CNN-BiGRU-AT模型的燃料电池衰退预测
1
作者 全睿 程功 +2 位作者 周宇龙 章国光 全琎 《电工技术学报》 北大核心 2025年第19期6342-6358,共17页
为了进一步提高传统深度学习方法预测燃料电池剩余使用寿命(RUL)的精度,该文提出了一种综合卷积神经网络(CNN)、双向门控循环单元(BiGRU)和注意力机制(AT)的混合模型。利用奇异谱分析对燃料电池衰减数据进行预处理、消除噪声并获取有效... 为了进一步提高传统深度学习方法预测燃料电池剩余使用寿命(RUL)的精度,该文提出了一种综合卷积神经网络(CNN)、双向门控循环单元(BiGRU)和注意力机制(AT)的混合模型。利用奇异谱分析对燃料电池衰减数据进行预处理、消除噪声并获取有效信息,CNN-BiGRU提取其时空特征、历史和未来信息,AT进一步探索时空相关性,并采用增强型鲸鱼优化算法(EWOA)对模型超参数进行优化。结果表明,与长短期记忆(LSTM)网络、CNN、GRU、CNN-GRU、CNN-BiGRU、BiGRU-AT、CNN-BiGRU-AT和其他算法优化的CNN-BiGRU-AT相比,在40%训练数据下,EWOA优化的CNN-BiGRU-AT模型其方均根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和相对误差(RE)均最小,最小值分别为0.2021%、0.1278%、0.033%和0.027%。此外,该模型在缺失数据达60%的情况下仍能保持较强的鲁棒性,其最小RMSE、MAE、MAPE和RE分别为0.3879%、0.2559%、0.0811%和0.32%,具有较好的燃料电池剩余使用寿命预测性能。 展开更多
关键词 燃料电池 剩余使用寿命 双向门控循环单元 注意力机制 增强型鲸鱼优化算法
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部