电池SOH预测模型 | 基于VAE—BiGRU变分自编码器结合深度学习模型（Python/Matlab）
目录
- 效果一览
- 基本介绍
- 程序设计
- 参考资料
效果一览
基本介绍
变分自编码器VAE—BiGRU：自动提取特征、序列预测（python）
使用场景：降维、特征提取
案例展示：
锂电池261次循环下的阻抗数据，期中每次循环包含60个频率点，横轴为实部，纵轴为虚部，数据格式为(261,2,60)。
为该块电池的SOH容量曲线
由于采集全频段的阻抗数据会导致数据量庞大，并非每个频率下的阻抗数据都能有效反映电池容量的下降趋势。为减轻模型负担，我们可以利用变分自编码器提取中间数据作为特征。展示了通过变分自编码器提取的特征向量，其中既包含正相关也包含负相关的特征。
搭配双向GRU模型的预测结果
程序设计
- 完整程序和数据获取方式：私信博主回复基于VAE—BiGRU变分自编码器结合深度学习模型（Python/Matlab）。
参考资料
[1] http://t.csdn.cn/pCWSp
[2] https://download.csdn.net/download/kjm13182345320/87568090?spm=1001.2014.3001.5501
[3] https://blog.csdn.net/kjm13182345320/article/details/129433463?spm=1001.2014.3001.5501