SCI一区级-python实现VMD-CNN-Transformer锂离子电池剩余寿命预测

1. 基本介绍

• 使用VMD结合皮尔逊相关系数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

采用CALCE数据集，使用留一法进行实验验证

2. 数据介绍

马里兰大学（University of Maryland）的电池老化生命周期评估中心（Center for Advanced Life Cycle Engineering, CALCE）提供了一个专门用于电池健康状态（State of Health, SOH）和剩余寿命预测的数据集，为电池管理系统（Battery Management System, BMS）的研发提供了宝贵的资料。其数据可视化如下：

3.模型去噪效果

CS2-35去噪展示：

CS2-36去噪展示：

CS2-37去噪展示：

CS2-38去噪展示：

4.模型预测效果

预测效果：

评价指标：每一行是一个电池，分别表示MAE和RMSE

5.代码获取

SCI一区级-python实现VMD-CNN-Transformer锂离子电池剩余寿命预测作品简介：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https://mbd.pub/o/bread/mbd-Zpiam55s