随着锂电池的大规模应用，近年来利用深度神经网络对锂电池RUL的研究逐渐成为热点。基于数据驱动的RUL预测方法可以避免研究电池内部的电化学现象，从而避免了复杂的物理学建模，但单一神经网络模型预测精度和鲁棒性较差。本文提出一种新型权重动态自适应调整的神经网络集成方法，集成多个异构神经网络的预测结果，从而降低单一神经网络模型预测性能较差的风险。本文将CNN、ResNet、LSTM、GRU等多个异构神经网络模型采用串联或并联的方式进行融合，扩充了基础神经网络模型的数量，并使其兼具局部特征和时序特征提取能力，同时也扩展了集成的多样性。在NASA锂电池退化数据集上验证了该集成方法的有效性，结果表明与其他神经网络集成方法相比，本文所提方法具有更高的准确性。
