图表

Transformer 结果

NASA 图表

CALCE 图表

补充说明

由于论文篇幅限制，未讨论 dropout 和 noise_level 两个参数。通过设置这两个参数，可以获得比论文中更好的结果。

• noise level = 0.01：设置 1% 的扰动值最佳：太大会降低性能，太小则效果不明显。

• dropout = 1e-4~1e-3：为网络 dropout 设置一个小值，以确保模型的稳健性。

依赖包

• pytorch 1.8.0

• pandas 0.24.2

• mixture_of_experts 0.2.1 (用于 AttMoE，github: https://github.com/lucidrains/mixture-of-experts)

更新

• 2024年6月5日，添加模型和预测图表
• 2024年1月3日，上传 AttMoE 开源代码
• 2022年2月24日，更改部分变量名

CALCE 数据集处理参考

https://github.com/konkon3249/BatteryLifePrediction

电子邮箱

如有任何问题，请随时联系我：zhouxiuze@foxmail.com

更多内容

1. 马里兰大学锂电池数据集 CALCE，基于 Python 的锂电池寿命预测: https://snailwish.com/437/

2. NASA 锂电池数据集，基于 Python 的锂电池寿命预测: https://snailwish.com/395/

3. NASA 锂电池数据集，基于 python 的 MLP 锂电池寿命预测: https://snailwish.com/427/

4. NASA 和 CALCE 锂电池数据集，基于 Pytorch 的 RNN、LSTM、GRU 寿命预测: https://snailwish.com/497/

5. 基于 Pytorch 的 Transformer 锂电池寿命预测: https://snailwish.com/555/

6. 锂电池研究之七——基于 Pytorch 的高斯函数拟合时间序列数据: https://snailwish.com/576/

引用

@article{chen2022transformer,
  title={Transformer network for remaining useful life prediction of lithium-ion batteries},
  author={Chen, Daoquan and Hong, Weicong and Zhou, Xiuze},
  journal={Ieee Access},
  volume={10},
  pages={19621--19628},
  year={2022},
  publisher={IEEE}
}

@article{chen2024attmoe,
  title={AttMoE: Attention with Mixture of Experts for remaining useful life prediction of lithium-ion batteries},
  author={Chen, Daoquan and Zhou, Xiuze},
  journal={Journal of Energy Storage},
  volume={84},
  pages={110780},
  year={2024},
  publisher={Elsevier}
}