标题：基于CNN-Peephole-LSTM的SOH预测
作者：李永超 张靖国 黄光美 饶庆
作者单位：运达智储科技（河北）有限公司，浙江 杭州 310000
关键字：窥视孔长短期记忆网络；卷积神经网络；电池健康状态
摘要：深入了解电池老化过程对于实时评估锂电池的健康状态（SOH）具有关键的学术和应用价值。为提高锂电池SOH预测的精确性，采纳了一项创新的方法，结合了卷积神经网络（CNN）和窥视孔长短期记忆网络（Peephole LSTM），以有效捕获电池的长期依赖性、多维数据分析、实时监测和自动特征提取，从而提升了模型的准确性和电池管理效率。此外，还引入了注意力机制，以提高模型的计算效率和准确性。在经过NASA的公开锂电池数据集验证后，结果表明，相对于独立的CNN和LSTM模型，该综合模型的均方误差分别减小了2.1%和1.5%。这表明对于锂电池SOH预测，该综合模型能够进一步提高准确性。