基于AGWO-IBiLSTM的锂电池健康状态估计

来源：计量学报杂志2026年第4期北京时间：

作者：王彬, 张立峰

摘要：为了提高锂电池健康状态（SOH）的预测精度，并解决模型超参数选择依赖经验、优化困难等问题，提出了一种基于自适应灰狼优化算法（AGWO）优化的改进双向长短期记忆神经网络（IBiLSTM）模型。首先，对电池老化数据进行预处理，提取放电容量的衰减特征作为模型输入，并在输入端引入Dropout机制以抑制噪声干扰。其次，构建融合卷积神经网络、双向长短期记忆神经网络和注意力机制的IBiLSTM结构，以强化特征提取与时序依赖建模能力。最后，利用AGWO对模型关键超参数进行自适应优化，基于所得的最优超参数训练网络模型，完成最终的SOH预测。基于NASA数据集进行实验验证，结果表明，所提方法的均方根误差E RMSE与平均绝对误差E MAE均在2.5%以内，决定系数R²均超过0.95，相比于其他算法精度最高。

关键词：电学计量,锂电池,健康状态预测,自适应灰狼优化算法,长短期记忆神经网络,Dropout机制

基金资助：国家自然科学基金(52207235)