Метод нейронных сетей Колмогорова - Арнольда для оценки состояния заряда литий-ионных батарей

Основная цель статьи - адаптация и приложение нейронных сетей типа Колмогорова - Арнольда в электроэнернетике. Нейросети Колмогорова - Арнольда являются новым подходом в области машинного обучения, основанном на классических результатах теории приближений. В отличии от традиционных нейронных сетей, сети Колмогорова - Арнольда задействуют унивариантные функции, параметризованные сплайнами, что позволяет гибко улавливать и изучать сложные активационные шаблоны более эффективно. Такая архитектура нейросетей позволяет существенно улучшать их прогнозирующую способность. В данном исследовании предлагается использовать сети Колмогорова - Арнольда в задаче оценивания уровня заряда в литий-ионных накопителях. Экспериментальные результаты на тестовых базах данных показывают, что нейросетевые модели Колмогорова - Арнольда демонстрируют меньшую максимальную ошибку по сравнению с традиционными нейронными сетями, такими как LSTM и FNN, что показывает высокий потенциал использования нейросетевой модели в сложных ситуациях эксплуатации накопителей энергии. Поддержание низкой максимальной ошибки не только отражает устойчивость нейросетей Колмогорова - Арнольда, но демострирует потенциал в применении технологий глубокого обучения для более точной оценки уровня заряда, предоставляя более надежный подход к управлению системами хранения энергии.