基于HPO-LSTM网络的锂电池健康状态估计OA

电池健康状态SOH(state-of-health)是评价电池性能的重要指标。针对电池健康状态难以准确估算的问题,提出猎人猎物优化HPO(hunter-prey optimizer)算法和长短期记忆LSTM(long short-term memory)神经网络相结合的锂电池健康状态估计方法。通过分析电流、温度对容量增量IC(incremental capacity)曲线的影响,引入IC曲线中最高峰的峰值及其对应的电压、温度、电流作为模型输入,利用HPO算法对LSTM网络进行动态调参,最后采用储能环境下削峰填谷工况的电池充放电数据进行实验验证。结果表明:基于HPO-LSTM网络的锂电池健康状态估计方法相较传统的LSTM网络方法具有更高的估算精度,在不同网络训练量下具有较好的鲁棒性。