Дао Минь Хиен, аспирант
664074, г. Иркутск, ул. Лермонтова, 83
Minh Hien Dao, PhD Student
83, Lermontov St., Irkutsk 664074
Во Ван Чыонг, аспирант, Иркутский национальный исследовательский технический университет, 664074, г. Иркутск, ул. Лермонтова, 83, Россия; Университет информационных и коммуникационных технологий, Университет Тхайнгуен, 250000, г. Тхайнгуен, ул. Z115, Вьетнам
Van Truong Vo, PhD Student, Irkutsk National Research Technical University, 83, Lermontov St., Irkutsk 664074, Russia; University of Information and Communication Technology, Thai Nguyen University, Z115 St., Quyet Thang Commune, Thainguyen City, Thainguyen Prov. 250000, Vietnam
Лю Фанг, профессор, Школа автоматизации, Центральный Южный Университет
410083, г. Чанша, ул. Южный Лушань, 932
Fang Liu, Professor, School of Automation
932 Lushan South Road, Yuelu District, Changsha, Hunan 410083
Сидоров Денис Николаевич, д-р физ.-мат. наук, профессор РАН, профессор Лаборатории промышленной математики БИ БРИКС, Иркутский национальный исследовательский технический университет, 664074, г. Иркутск, ул. Лермонтова, 83, Россия; ведущий научный сотрудник Отдела прикладной математики № 90, Институт систем энергетики им. Л.А. Мелентьева Сибирского отделения Российской Академии наук, 664033, г. Иркутск, ул. Лермонтова, 130, Россия; профессор-председатель факультета электротехники и автоматизации, Харбинский технологический университет, 150001, г. Харбин, район Наньган, ул. Западный Дажи, 92, Китай
Denis N. Sidorov, Dr. Sci. (Phys.-Math.), Professor of the Russian Academy of Sciences, Professor of the Industrial Mathematics Laboratory of the Baikal School of BRICS, Irkutsk National Research Technical University, 83 Lermontov St., Irkutsk 664074, Russia; Chief Researcher, Applied Mathematics Department No. 90, Melentiev Energy Systems Institute of the Siberian Branch of Russian Academy of Sciences, 130 Lermontov St., Irkutsk 664033, Russia; Chair Professor at the School of Electrical Engineering and Automation, Harbin Institute of Technology, 92 West Dazhi St., Nangang Dist., Harbin, Heilongjiang Prov. 150001, China
Цель исследования – детальное изучение потенциала сети Колмогорова-Арнольда и его использование для повышения эффективности управления энергией, в частности в литий-ионных батареях.
В работе применяется новый метод, использующий одномерные адаптивные функции активации, параметризованные сплайнами, в отличие от традиционных нейронных сетей, в которых функции активации фиксированы, их выбор эмпирический и не гарантирует точной аппроксимации, что может привести к неоптимальным результатам. Такой подход позволяет сети Колмогорова-Арнольда гибко адаптироваться к сложным структурам данных, обеспечивая точную оценку уровня заряда. Чтобы объективно оценить эффективность алгоритма, были проведены эксперименты на реальных наборах данных, направленные на анализ точности оценки уровня заряда аккумулятора при доверительных интервалах 95%, 90% и 85%. Результаты испытаний при различных циклах заряда-разряда показали, что предложенный метод достигает высокой точности и сохраняет стабильность в процессе работы. Предлагаемый метод снижает максимальную ошибку как минимум на 4,26% и значительно улучшает такие показатели, как средняя абсолютная ошибка и среднеквадратичная ошибка. Таким образом, полученные результаты подтверждают эффективность и инновационность сети Колмогорова-Арнольда в управлении энергией. Данный метод обладает высоким потенциалом в управлении энергетическими системами и может быть эффективно внедрен в области, требующие точного прогнозирования временных рядов, включая системы умного дома, электромобили и промышленные устройства. Дальнейшие исследования будут сосредоточены на оптимизации архитектуры сети и расширении ее практического использования. Примечательно, что этот метод может быть гибко адаптирован к различным типам аккумуляторов и энергетических систем, что значительно расширяет его применение в реальных условиях.
This study aims to thoroughly examine the potential of the Kolmogorov-Arnold Network (KAN) and its application to improving energy management efficiency, particularly in lithium-ion batteries. The study employs a novel method that utilizes one-dimensional adaptive activation functions parameterized by splines, in contrast to traditional neural networks, where activation functions are fixed. Traditional methods for activation function selection are based on empirical approaches and do not guarantee accurate approximation, potentially leading to suboptimal results. This approach enables the KAN to flexibly adapt to complex data structures, ensuring precise state-of-charge estimation. To objectively evaluate the algorithm's effectiveness, experiments were conducted on real datasets, focusing on analyzing the accuracy of state-of-charge estimation at confidence intervals of 95%, 90%, and 85%. The test results for various charge-discharge cycles demonstrated that the proposed method achieves high accuracy and maintains stability throughout the operation. The proposed method reduces the maximum error by at least 4.26% and significantly improves key performance metrics such as Mean Absolute Error, Root Mean Square Error. Thus, the obtained results confirm the efficiency and innovative nature of the KAN in energy management. This method holds great potential for energy management and can be effectively implemented in areas requiring precise time-series forecasting, including smart home systems, electric vehicles, and industrial devices. Future research will optimize the network architecture and expand its practical applications. Signifi-cantly, this method can be flexibly adapted to different types of batteries and energy systems, broadening its applicability in real-world conditions.
The authors declare that there are no conflicts of interest present.