Considerando las tendencias no lineales, las variaciones multiescala y los fenómenos de regeneración de capacidad exhibidos por la degradación de la capacidad de las baterías en condiciones del mundo real, predecir con precisión su trayectoria sigue siendo un desafío crítico para garantizar la fiabilidad y seguridad de los vehículos eléctricos. Para abordar esto, este estudio propone un marco de predicción híbrido basado en la descomposición de modo variacional y una arquitectura de Transformer–Memoria a Corto y Largo Plazo. Específicamente, el marco propuesto de descomposición de modo variacional–Transformer para series temporales–Memoria a Corto y Largo Plazo (VMD–TTS–LSTM) primero descompone la secuencia de capacidad utilizando la descomposición de modo variacional. Los componentes modales resultantes se agregan en partes de alta frecuencia y baja frecuencia según sus centroides de frecuencia, seguido de un análisis de características específicas para cada parte. Posteriormente, se emplea un codificador Transformer simplificado (Transformer para series temporales, TTS) para modelar las fluctuaciones de alta frecuencia, mientras que una red de Memoria a Corto y Largo Plazo (LSTM) captura las tendencias de degradación a largo plazo. Evaluado en datos de carga de 20 vehículos eléctricos comerciales en un escenario de largo horizonte de 20 pasos de entrada prediciendo 100 pasos hacia adelante, el método propuesto logra un error absoluto medio de 0.9247 y un error cuadrático medio de 1.0151, demostrando una precisión y robustez mejoradas. Los resultados confirman que la estrategia de modelado heterogéneo y particionado por frecuencia propuesta proporciona una solución práctica y efectiva para la predicción del estado de salud de la batería y la gestión de la energía en la operación de vehículos eléctricos en el mundo real.
Wang et al. (Wed,) estudiaron esta cuestión.