一种融合迁移学习与长短期记忆网络的电池寿命预测方法

本发明公开了一种融合迁移学习与长短期记忆网络的电池寿命预测方法，通过获取锂电池在不同工况下的多特征序列数据，并采用序列分解技术得到趋势分量和残余分量，对分解后的数据进行线性层和批归一化处理，使用标量长短期记忆网络sLSTM残差堆叠模块，提取每个分量的局部上下文信息并完成分量的特征融合；引入迁移学习TL构建TL‑sLSTM模型，迁移学习从源域电池A学习到的sLSTM参数模型来帮助训练不同工况的目标域电池B，对该电池进行长时预测；输出阶段对数据进行转换与分布标准化后使用全连接层生成单一标量，作为电池剩余寿命的预测值。本发明解决了实际应用的锂电池预测模型退化过程复杂、非线性以及多工况数据稀疏性问题。