[发明专利]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

摘要

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。

主权项

1.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，其特征在于，步骤一、利用训练用锂离子电池每个充放电周期中电池容量数据构造数据集，并将数据集中的数据作为训练数据；步骤二、利用训练数据构造GRU模型的训练集；步骤三、将训练集代入GRU模型中、并利用BP算法对GRU模型中的网络参数进行训练，获得训练后的GRU模型；步骤四、利用待预测锂离子电池第k个充放电周期中电池容量数据构造输入向量；步骤五、将输入向量代入步骤三获得的GRU模型中，获得待预测锂离子电池第k+1个充放电周期电池容量的预测值；步骤六、判断步骤五获得的预测值是否小于等于待预测锂离子电池额定容量的80％，是则执行步骤七，否则使k＝k+1，然后返回步骤四；步骤七、将预测值对应充放电周期与电池实际充放电周期的差值作为待预测锂离子电池剩余寿命。