基于灰狼优化算法的CNN-BiLSTM-Attention混合模型对锂离子电池健康状态的评估

《Energy & Fuels》：State of Health Estimation for Lithium-Ion Batteries Based on Gray Wolf-Optimized CNN-BiLSTM-Attention Hybrid Model

锂离子电池健康状态估计方法研究。提出融合CNN-BiLSTM-Attention模型与灰狼优化算法的混合模型，通过LOF检测异常数据并筛选高相关因子构建特征集，利用Attention机制自适应加权，优化算法调整超参数。在NASA和CALCE数据集验证中，MSE、MAPE、RMSE均低于0.8%，R2提升0.5-1.5，显著优于传统方法。

　　

准确估计锂离子电池的健康状态（SOH）对于提高电池系统的可靠性和安全性至关重要。本文提出了一种基于CNN-BiLSTM-Attention混合模型并结合Gray Wolf优化算法的电池SOH估计算法。首先，根据锂离子电池的充放电曲线选择与容量衰减相关的健康因素，然后利用LOF方法检测这些健康因素数据中的异常值。接下来，通过皮尔逊相关系数和斯皮尔曼相关系数分析评估每个健康因素的有效性，并对验证后的因素进行归一化以构建HF数据集。随后，Attention算法增强了CNN-BiLSTM架构，形成了一个用于自适应特征加权的CNN-BiLSTM-Attention混合模型。Gray Wolf优化器进一步调整了该模型的超参数。最后，基于NASA和CALCE锂离子电池数据集的实验结果表明，该方法的均方误差、平均绝对百分比误差和均方根误差均控制在0.8%以内，决定系数提高了0.5%至1.5%。这些结果远优于其他方法，证明了所提出模型的预测准确性。