机构名称：
¥ 1.0
摘要 - 电池的飙升需求需要高级电池管理系统，其中电池容量建模是关键功能。在本文中，我们旨在通过从电池动力学的历史测量中学习来实现电池容量的预测。我们提出了一个封闭式的复发单元G i n et，以预测电池的容量。G I N等的新颖性和竞争力在于它的能力，可以从原始电池数据中捕获顺序和上下文信息，并以时间动力和长期依赖性来反映电池的复杂行为。我们根据公开可用的数据集进行了一项实验研究，以展示G I N等人对电池行为的全面了解并准确预测电池容量的力量。g i n et达到0.11的平均绝对误差，用于在不知道历史电池容量的情况下以一系列未来的时间插槽预测电池容量。与知情人相比，它的表现也胜过最新算法，平均误差降低了27％。有希望的结果强调了算法和电池知识的定制和优化集成以及对其他行业应用的启示的重要性。索引术语 - 电池能力，充电状态，机器学习，工业人工智能
ginet：整合顺序和上下文感知...
主要关键词
相关文件推荐
