作品简介:
- 使用VMD实现对锂离子电池数据集去噪,消除数据中“容量再生问题”
- 使用CNN-Transformer实现特征提取:利用卷积神经网络(CNN)进行特征提取。然后,利用改进的变压器模型来捕获时间序列中的固有相关性,并将其特征映射到未来的SOH值。采用迭代策略对每个充放电循环的SOH进行预测。
- 在CALCE数据集上进行实验验证
- 使用MAE和RMSE进行效果评价
1.信号去噪
CS2-35去噪展示:
CS2-36去噪展示:
CS2-37去噪展示:
CS2-38去噪展示:
2.效果展示
预测效果:
评价指标:每一行是一个电池,分别表示MAE和RMSE
3.代码获取
感兴趣的朋友可以关注最后一行
import numpy as np
import pandas as pd
import random
import os
import matplotlib.pyplot as plt
import torch
import torch.nn as nn
import torch.nn.functional as F
from tqdm import tqdm
from sklearn.metrics import mean_absolute_error, mean_squared_error
import math
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
plt.rcParams['font.size'] = 14
%matplotlib inline
%% https://mbd.pub/o/bread/mbd-Zpiam55s