融合注意力机制的CNN-GRU燃料电池老化趋势预测

精确预测燃料电池老化趋势不仅能为电池健康管理和剩余寿命估计提供可靠依据,而且在提高电池安全性方面具有重要意义。提出一种融合注意力机制的CNN-GRU燃料电池老化趋势预测模型。首先根据电池老化特性和皮尔逊相关系数,构建由堆电压、电压最大偏差率和电流组成的混合老化指标作为输入。然后利用注意力机制对CNN卷积特征进行进一步权重评估,凸显重要特征,弱化次要特征。同时,探究SE-Block、ECA-Block、CBAM-Block三种注意力机制模块对预测精度的影响。实验结果表明,所提出的混合老化指标作为输入能够获得更贴近实际老化趋势的预测效果。对比GRU基线模型可知,融合注意力机制之后,平均绝对值误差(MAE)和均方根误差(RMSE)分别最少降低30.01%、29.39%,其中CBAM-Block模块性能最佳,MAE和RMSE分别减少72.72%、63.14%。