摘要
随着电池储能应用规模的逐步扩大，准确预测大容量储能电池的剩余使用寿命对于该领域的高质量发展至关重要。为解决大容量储能电池寿命预测中可靠性不足及泛化能力差的问题，本文构建了一种基于长短期记忆（LSTM）神经网络的深度学习框架。该模型使用了前150次循环的早期老化数据，通过Savitzky–Golay滤波去除异常值并降低噪声。训练过程中采用了数据归一化与滑动窗口方法。该模型在25℃和45℃条件下，依据GB/T 36276-2023标准对两批大容量电池进行了验证，在1000次循环后的均方根误差分别为0.86%和0.50%。此外，该方法还在MIT数据集中的小容量电池上进行了测试，其均方根误差为4.3%。通过迁移学习模块利用第151至300次循环的数据对模型进行微调后，三组电池的均方根误差分别降至0.18%、0.10%和3.1%。这提升了模型的泛化能力，为电池检测与评估中的寿命预测提供了实用的解决方案。
