基于多模型融合的电池温度预测方法

本发明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。