Um Modelo Transformer Aprimorado para Predição da Vida Útil Restante de Baterias de Íon-Lítio sob Cargas e Descargas Aleatórias

Com o desenvolvimento da inteligência artificial e do aprendizado profundo, redes neurais profundas tornaram-se um método importante para prever a vida útil restante (RUL) de baterias de íon-lítio. Neste artigo, inspirados na capacidade de transformação da tarefa de sequência para sequência do transformer, propomos um modelo de fusão que integra as funções do autoencoder de denoising empilhado (SDAE) e do modelo Transformer para melhorar o desempenho da previsão de RUL. Primeiramente, os fatores de saúde sob três condições diferentes são extraídos dos dados de medição como entradas do modelo. Essas condições incluem corrente e tensão constantes, descarga aleatória e a aplicação da análise de componentes principais (PCA) para redução de dimensionalidade. Em seguida, o SDAE é responsável pela remoção de ruídos e extração de características, e o modelo Transformer é utilizado para modelagem de sequência e previsão de RUL dos dados processados. Por fim, a previsão precisa do RUL das quatro células da bateria é alcançada por meio de validação cruzada e quatro conjuntos de experimentos comparativos. Três métricas de avaliação, MAE, RMSE e MAPE, são selecionadas, e os valores dessas métricas são 0,170, 0,202 e 19,611%, respectivamente. Os resultados demonstram que o método proposto supera outros modelos de previsão em termos de precisão de previsão, robustez e generalizabilidade. Isso oferece uma nova direção de solução para a pesquisa de previsão da vida diária de baterias de íon-lítio.