回复
我们一起聊聊基于 VMD滚动分解+Transformer-GRU并行的锂电池剩余寿命预测模型
前言
实验采用美国马里兰大学先进寿命周期工程研究 中心(CALCE)的锂电池充放电循环寿命实验数据。马里兰大学实验组将实验数据按时间分类存放在一系列 excel文件中， CS2 电池设置的工作温度为恒定温度(20～25 ℃)。CS2 电池实验过程可分为充电阶段和放电阶段。
此次研究从中采取 1.1 A 的 CS2 型号电池的 4 组数据，分别为：CS-35、CS-36、CS- 37 和 CS-38，电池数据文件中电池参数较多，如时间节点、测试时间、循环次数、电流、电压、充电容量、放电容量、内阻等。由于需要依靠每次循环的电池容量来判断电池的使用寿命， 则需计算出每次循环的锂电池实际容量，即测量锂电池的每次循环在恒流放电阶段实际放出的电量，上述分析表明本次研究所使用的变量为放电容量。根据实验所需要数据的要求，提取放电数据作为本次研究的重点数据。
1.数据预处理
注意事项：
（1）由于每一块锂电池容量退化数据由多个excel数据表构成，所以在导入数据时，应该按照时间的先后顺序将数据导入，否则无法得到正确的锂电池容量退化图；
（2）在得到所有Cycle的容量数据以后，要对数据进行预处理，即处理离群点，通常有3-sigma法(即超过三倍标准差，即认为其是离群点，将其剔除)，或者用平均值对其进行修正等方法；
2.基于 VMD 的滚动分解处理
2.1 VMD滚动分解介绍
在时间序列预测任务中，像 EMD（经验模态分解）、CEEMDAN（完全集合经验模态分解）、VMD（变分模态分解） 等分解算法的使用有可能引入信息泄露，具体情况取决于这些方法的应用方式。信息泄露的主要风险在于：将未来的信息泄露给了模型，使得模型在实际应用中表现得比应有的好。
为了防止信息泄露，我们在分解之前，首先对数据集进行划分。然后使用滑动窗口的方法来制作数据集标签，最后逐步滚动分解时间序列窗口！
2.2 VMD滚动分解预处理
单个样本分解：
所有样本分解处理后形状：
3 基于Pytorch的Transformer-GRU并行预测模型
3.1 定义Transformer-GRU并行预测模型
3.2 设置参数，训练模型
4 模型评估与可视化
4.1 预测可视化
4.2 模型评估
图片
赞
收藏
回复
相关推荐
