Una comparación de diferentes modelos de transformadores para la predicción de series temporales
Autores: Capoglu, Emek Utku; Taherkhani, Aboozar
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Una comparación de diferentes modelos de transformadores para la predicción de series temporales
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Estimación
Vida Útil Restante
Baterías de iones de litio
Modelos de aprendizaje profundo
Instituto de Energía Natural de Hawái
Transformer-CNN
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 2
Citaciones: Sin citaciones
La estimación precisa de la Vida Útil Restante (RUL) de las baterías de iones de litio es esencial para mejorar la fiabilidad y eficiencia de los sistemas de almacenamiento de energía. Este estudio explora modelos personalizados de aprendizaje profundo para predecir el RUL utilizando un conjunto de datos del Instituto de Energía Natural de Hawái (HNEI). Se investigan tres enfoques: un modelo Transformer solo de codificador, su mejora con el aprendizaje por transferencia SimSiam y un modelo híbrido CNN-Codificador. Estos modelos aprovechan mecanismos avanzados como la atención multi-cabeza, redes de alimentación robustas y aprendizaje auto-supervisado para capturar patrones de degradación complejos en los datos. Un preprocesamiento y optimización rigurosos aseguran un rendimiento óptimo, reduciendo métricas clave como el error cuadrático medio (MSE) y el error absoluto medio (MAE). Los resultados experimentales demostraron que el Transformer-CNN con Aumento de Ruido supera a otros métodos, destacando su potencial para el monitoreo de la salud de las baterías y el mantenimiento predictivo.
Descripción
La estimación precisa de la Vida Útil Restante (RUL) de las baterías de iones de litio es esencial para mejorar la fiabilidad y eficiencia de los sistemas de almacenamiento de energía. Este estudio explora modelos personalizados de aprendizaje profundo para predecir el RUL utilizando un conjunto de datos del Instituto de Energía Natural de Hawái (HNEI). Se investigan tres enfoques: un modelo Transformer solo de codificador, su mejora con el aprendizaje por transferencia SimSiam y un modelo híbrido CNN-Codificador. Estos modelos aprovechan mecanismos avanzados como la atención multi-cabeza, redes de alimentación robustas y aprendizaje auto-supervisado para capturar patrones de degradación complejos en los datos. Un preprocesamiento y optimización rigurosos aseguran un rendimiento óptimo, reduciendo métricas clave como el error cuadrático medio (MSE) y el error absoluto medio (MAE). Los resultados experimentales demostraron que el Transformer-CNN con Aumento de Ruido supera a otros métodos, destacando su potencial para el monitoreo de la salud de las baterías y el mantenimiento predictivo.