基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法,涉及锂离子电池健康状态检测技术领域。本发明是为了解决现有的基于融合模型的锂离子电池剩余寿命预测方法,存在非线性退化过程拟合能力差、不同工作状态适应能力低的问题。本发明通过建立GRU‑RNN深度网络模型,利用GRU深度学习模型在时间序列上强大的特征提取能力,对锂离子电池容量退化特征进行提取,从而获取更加准确的电池容量预测模型,最后通过KF滤波方法减小了噪声,获取了更加精确的预测值。
声明:
“基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)