基于深度学习和弛豫电压的锂离子电池健康状态估计方法

本发明适用于锂离子电池的健康管理技术领域，提供了包括以下步骤：提取充满电后弛豫电压序列；采用CNN从弛豫电压序列中提取与电池老化相关的深层次特征；基于LSTM处理提取的特征，得到初步的电池SOH估计结果；采用战争策略算法优化深度学习模型，获取最佳超参数和最优SOH估计模型，得到最佳的电池SOH估计结果。本发明利用多层卷积提取深层次的老化特征，发现隐藏在反映电池老化的弛豫电压中的复杂模式和非线性关系，通过LSTM建立时间依赖性；用WSO优化相关超参数，实现更全面和快速的对解空间进行搜索，不易陷入局部最优，实现了准确的超参数选择，有效提升了神经网络预测精度，提高了锂离子电池SOH估计的准确性。