基于多模型融合的电池温度预测方法技术

本发明专利技术属于数据科学与机器学习范畴，针对电池温度预测难题，构建了一种融合卷积神经网络(CNN)、长短期记忆网络(LSTM)、季节性自回归积分滑动平均模型(SARIMAX)和数据驱动建模法的预测体系。该体系着重剖析电池快充时的瞬态温度变化以及因老化导致的温度演变规律，针对不同工况制定了专属的数据特征提取与融合策略，并对模型参数进行优化。在预测准确性、模型鲁棒性和工况适应性等关键性能指标上有显著提升，在电动汽车电池热管理中具备广阔的应用前景与重要的实践价值。

【技术实现步骤摘要】

本专利技术涉及电池管理，具体涉及一种基于多模型融合的电池温度预测方法。

技术介绍

1、时间序列预测在众多领域意义非凡，在电池管理领域，精准的电池温度预测对于保障电池安全、提升性能以及延长使用寿命至关重要。随着电池应用场景日益复杂，对温度预测精度的要求也在不断提高。

2、传统统计模型在处理电池温度数据时存在诸多局限。以arma和arima为代表的这类模型，仅适用于平稳或可差分平稳化的时间序列，而电池温度数据具有大规模、高维度和非线性的特征，使用这类模型不仅需要繁琐的平稳性检验和参数选择，而且预测精度受限。

3、机器学习和深度学习模型虽已被引入电池温度预测领域，但同样面临挑战。长短期记忆网络(lstm)虽能捕捉长期依赖，但在大规模电池数据训练时速度较慢且对超参数敏感。卷积神经网络(cnn)可提取局部特征，却难以捕捉电池温度整体变化趋势和长期模式。时间卷积网络虽对cnn有所改进，但单一模型仍无法满足电池温度预测的复杂需求。面对电池数据明显的季节性工况变化，现有单一模型预测精度大打折扣。

4、混合模型在电池温度预测领域逐渐兴起，本文档来自技高网...

【技术保护点】

1.一种基于多模型融合的电池温度预测方法，其特征在于：包括

2.根据权利要求1所述的一种基于多模型融合的电池温度预测方法，其特征在于：所述步骤一具体包括：

3.根据权利要求1所述的一种基于多模型融合的电池温度预测方法，其特征在于：所述CNN-LSTM模型含两层卷积层、池化层、LSTM层和全连接层，其中，

4.根据权利要求3所述的一种基于多模型融合的电池温度预测方法，其特征在于：所述LSTM层将SOH衰减梯度作为门控输入，引入细胞状态到门控连接，公式为it＝σ(Wxixt+Wcict-1+Whiht-1+bi)

5.根据权利要求1所述的一种基...

【技术特征摘要】

1.一种基于多模型融合的电池温度预测方法，其特征在于：包括

2.根据权利要求1所述的一种基于多模型融合的电池温度预测方法，其特征在于：所述步骤一具体包括：

3.根据权利要求1所述的一种基于多模型融合的电池温度预测方法，其特征在于：所述cnn-lstm模型含两层卷积层、池化层、lstm层和全连接层，其中，

4.根据权利要求3所述的一种基于多模型融合的电池温度预测方法，其特征在于：所述lstm层将soh衰减梯度作为门控输入，引入细胞状态到门控连接，公式为it＝σ(wxixt+wcict-1+whiht-1+bi)

5.根据权利要求1所述的一种基于多模型融合的电池温度预测方法，其特征在于：还包括使用adam优化器和均方误差损失函数调整cnn-lstm...

【专利技术属性】
技术研发人员：请求不公布姓名，周心宇，张忠清，刘振平，虞孜楷，王怡，吴波，王愿习，
申请(专利权)人：天目湖先进储能技术研究院有限公司，
类型：发明
国别省市：