CNN-GRU-PF融合模型

一种用于锂离子电池剩余使用寿命预测的高精度融合模型，通过数据驱动与粒子滤波的迭代校正提升长期预测稳定性。

巫春玲 · Xu, Chenfeng · Liding, Wang · Juncheng, Fu · 孟锦豪

Green Energy and Intelligent Transportation 2025

参数信息

预测精度提升

87.27 %

预测精度提升

82.88 %

预测精度提升

55.43 %

技术优势

精度显著提升

融合PF后，CNN-GRU的预测误差得到修正，在B5电池上相比GRU、PF、GRU-PF分别提升87.27%、82.88%、55.43%。

长期预测更稳定

移动窗口迭代更新训练集，并将PF优化值加入CNN-GRU的训练集，形成迭代训练与动态更新，提升长期预测性能。

抗噪声干扰

利用CEEMDAN算法和皮尔逊相关系数对容量序列进行分解重构，降低噪声对RUL预测的影响。

应用场景

• 电池健康管理：提供高精度RUL预测，支撑电池健康状态的精准评估与维护决策。
• 电池管理系统：模型可集成到BMS中，实现实时、稳定的剩余寿命预测，提升系统可靠性。
• 预测性维护：准确的RUL预测可提前预警电池失效，优化维护计划，降低非计划停机。