来源：期刊VIP网 时间：
作者：俞寅森;朱涛;位承君;叶杨倩;廖强强;付在国;
单位：上海电力大学环境与化学工程学院;西安热工研究院有限公司;
摘要：锂离子电池被广泛用作各种设备的电源，因此对锂离子电池S_(OH)(健康状态)的快速准确预测是降低电池故障的重要手段。由于LSTM(长短期记忆)网络可以从时间序列中找出变量变化的特征、趋势以及发展规律，进而对变量的未来变化进行有效地预测，因此已成为预测锂离子电池S_(OH)的一种流行的深度学习网络方法。未优化超参数的LSTM方法很容易导致电池S_(OH)预测模型的精度低。针对锂离子电池S_(OH)预测问题，提出一种基于SSA(麻雀搜索算法)优化LSTM的方法。提取一种新的健康指标-充电电压PDF(概率密度函数)曲线峰值处的峰度，并将其用作S_(OH)预测模型的输入，以实现对电池S_(OH)的准确预测。实验结果表明，SSA优化的LSTM模型的预测精度优于未优化模式。当训练集仅占总数据的20%时，NCA(镍钴铝)电池S_(OH)预测结果的均方根误差E_(RMSE)在0.7%以内，最大绝对误差<2.0%。SSA-LSTM可以在训练数据有限的情况下准确预测电池S_(OH)。
关键词：锂离子电池;健康状态;麻雀搜索算法;长短期记忆网络;超参数;峰度
基金资助：上海市科委项目(19DZ2271100)
