Kolmogorov–Arnold neural networks technique for the state of charge estimation for Li-ion batteries

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.