基于多健康因子和IPSO LSTM模型的鋰電池健康估計

摘要： 提出了一種基于多健康因子的改進粒子群優化算法（IPSO）優化長短期記憶（LSTM）模型的鋰離子電池健康狀態（SOH）估計方法。從在線測量的電壓、電流、溫度曲線中提取13個備選健康因子，利用皮爾遜相關系數分析最終獲得4個健康因子作為IPSO LSTM模型的輸入，通過試驗驗證所選健康因子的適應性，實現SOH準確預測。取每個電池樣本的50%，60%，70%數據作為訓練集，其余作為測試集，與PSO LSTM，LSTM方法作對比，試驗結果表明，SOH估計的MAE，RMSE，MAPE均保持在1%以內，模型具有較強的泛化性及有效性。

關鍵詞： 鋰離子電池；預測模型；健康管理

DOI： 10.3969/j.issn.1001 2222.2025.01.006

中圖分類號： TM912" 文獻標志碼： B" 文章編號： 1001 ２２２２（２０25）０1 ００39 ０8

隨著“雙碳”目標的提出，鋰電池（LIB）作為一種新能源電池，由于質量輕、可充放次數多、儲電量大，在手機以及新能源汽車等方面有著廣泛的應用^［1］。隨著電池充放電次數增加和工作環境等因素變化，電池逐漸老化，表現為充放電性能下降、實際容量降低等。一般通過電池實際容量定義電池的健康狀態（SOH），SOH反映了電池相對于其壽命開始時的當前存儲和供應能量/功率的能力^［2］。此外，SOH還是電池管理系統中重要的一部分，表征著電池老化過程的安全性和可靠性^［3］。迄今為止，已經開發了大量的LIB的SOH估計方法，大致可分為兩類：基于模型的方法和基于數據驅動的方法。

基于模型的方法是建立電池等效電路模型^{［4 5］}或者電化學模型^{［6 7］}，需要了解電池內部的工作原理和物理化學特性。文獻［8］提出了一種基于電化學模型的低階擴展卡爾曼濾波方法對鋰離子電池荷電狀態進行估計。這種方法的優點是在衰老初期SOH估計準確，缺點是衰老后期誤差相對較大，且計算過程復雜，會引發電池計算或者電化學阻抗譜（EIS）測量偏差以及擬合誤差^［9］。基于數據驅動的方法可以直接從電池外部測量的工作數據中提取與目標值相關的特征，以特征值作為模型輸入，以SOH目標值作為輸出，通過機器學習實現SOH預測。文獻［10］使用增量容量分析（ICA）方法獲得健康因子，利用WPCA降維和SW TSVR方法實現小數據樣本下SOH的準確估計。使用ICA獲得健康因子需要大量的數據處理，過濾去噪聲，計算也比較復雜，不能實時在線監測。因此文獻［11］只通過傳感器測量的溫度、電壓和電流來直接提取健康因子，開發了一種非線性自回歸的遞歸神經網絡來估計SOH。文獻［12］應用FNN，CNN和LSTM方法估算電池SOH，結果表明LSTM方法在準確性方面優于其他兩種方法。

目前針對容量增量分析間接特征提取困難并且特征表征不易獲取的問題，選擇對電池工作時的電壓、電流、溫度數據提取直接特征預測SOH。上述方法都需要人為地設置網絡的超參數，具有較高的隨機性，會降低模型的預測效果^［13］。因此文獻［14］提出一種利用標準PSO算法對長短期記憶模型進行參數尋優的方法，經NASA數據集驗證，實現了SOH估計誤差在3%以內的預測精度。然而傳統PSO容易陷入局部最優解，針對這一問題，本研究提出了一種IPSO LSTM模型，使用多策略改進的粒子群算法（IPSO）的全局搜索能力，對LSTM的神經元個數、學習率、丟棄率進行尋優，實現SOH的準確預測，誤差僅在1%以內。

1 健康因子與相關性分析

1.1 健康因子的選取

試驗數據源自于NASA開放數據集，取B0005，B0006，B0007共3組18650型號鋰電池的循環老化數據進行研究。選取的3組電池都是在室溫24 ℃，一般的測試工況下，以恒流恒壓模式充放電。電池在多次循環充放電后，容量會有所下降，從儲能角度看，SOH由式（1）計算：

SOH=CcurCrat×100%。（1）

式中：Ccur為電池當前容量；Crat為原始額定容量。3組電池SOH隨充放電循環的衰退曲線如圖1所示。

由圖1可以看出，SOH呈非線性趨勢下降，由于造成電池老化的因素很多，電池內阻和容量不易直接測量，因此本研究在參考其他研究^{［15 17］}中關于提取健康因子的試驗，從在線測量的電池工作電壓、電流、溫度曲線中提取與SOH變化相關的健康因子，實現SOH的預測。

以B0007電池為例，圖2示出了第1、第61、第121循環的充放電數據隨時間變化的曲線。由圖2a可以看出，不同的循環次數下，充電電流開始下降的時間不同，當電流下降到20 mA，恒定電壓充電模式停止，獲得一個時間差值為恒定電壓充電時間，作為健康因子HF1。由圖2b可以看出，以恒定電流模式充電時，不同循環下電池電壓達到4.2 V的時間也不相同，因此，取恒流充電時間作為健康因子HF2。為了找到更多相關的健康因子，把每個循環里面充電時間的最大值和放電時間的最大值作為備選健康因子，分別為HF3和HF4。

在圖2c放電電壓曲線中，整個放電過程分為放電階段和自充電階段，電池放完電后，電壓降到最低點又有一段上升的過程，為自充電階段。由圖可以看出隨著循環次數的增加，放完電的時間逐步減少，因此提取最低點電壓對應的時間作為健康因子HF5。在電壓降低的過程，提取電壓從3.8 V降到3.5 V的時間作為健康因子HF6。溫度變化也是表征電池退化的一個重要因素，由圖2d和圖2e分別提取充電溫度的最大值、最小值和平均值作為HF7，HF8和HF9，分別提取放電溫度的最大值、最小值和平均值作為HF10，HF11和HF12，由圖2e提取溫度從33 ℃上升到36 ℃需要的時間作為健康因子HF13。

1.2 相關性分析

特征太多或者太少都不利于模型學習，特征太少模型無法學到數據的復雜信息，從而導致訓練和測試表現不好，特征太多容易過擬合，并且計算難度增加，訓練時間長。根據上面選出的備選健康因子，找到與SOH高度相關的一組特征作為最終的健康因子。皮爾遜相關系數（r）是一種衡量變量之間線性關系強弱的統計量，取值范圍為-1～1，計算公式如下：

r=1n∑ni=1Xi-X-σXYi-Y-σY。（2）

式中：Xi和Yi分別為健康因子和SOH的樣本取值；X-和Y-分別為健康因子和SOH的樣本均值；σX和σY分別為健康因子和SOH的樣本標準差。r的絕對值越接近1，表示兩個變量之間的相關性越高。

特征與SOH相關性分析結果如圖3所示，數值越接近1，表示兩個變量之間的相關性越高，挑選與SOH相關性為0.8以上的4個特征——HF13，HF4，HF5，HF6作為最終的健康因子。

2 基于改進PSO LSTM模型預測SOH

2.1 LSTM網絡

為了解決RNN梯度消失和爆炸問題，J. SCHMIDHUBER等^［18］基于“門單元”的概念，為RNN設計了一種新的架構，即長短期記憶（LSTM）網絡。LSTM 由1個記憶單元（具有自我循環連接的神經元）和3個非線性門（遺忘門、輸入門和輸出門）組成，它們打開或關閉以確定模型網絡的輸出是否達到閾值，從而決定是否執行計算。隱藏單元中門的獨特特性有助于保存相關數據并忘記不相關的數據，從而提供持續的誤差。

2.2 PSO算法改進

2.2.1 基本PSO算法

粒子群優化（PSO）是R. EBERHART和J. KENNEDY^［19］開發的一種模擬鳥群捕食行為的優化方法。在PSO中，首先初始化為一組隨機粒子的解，然后迭代更新粒子以搜索最優解。在這個過程中，位置和速度在設置的邊界條件里不斷更新。單個粒子的最佳解（適應度）為最佳局部位置，記為Pbest。把在所有粒子中搜索到的最佳位置，即全局最佳位置記為Gbest。基本PSO存在收斂速度慢、收斂精度低、易過早收斂等缺陷，因此，本研究在傳統粒子群算法基礎上引入混沌初始化、非線性權重、非對稱學習因子用于改進 PSO 算法，利用改進的PSO算法（IPSO）對LSTM參數尋優以提高SOH的估計精度。

2.2.2 混沌初始化

生成周期長、均勻性好的隨機序列對于復雜現象的模擬、采樣、數值分析、決策制定，尤其是啟發式優化非常重要。隨機序列的引入直接影響存儲和計算效率，從而能夠在滿足精度要求的前提下減少所需的時間和資源消耗^［20］。本研究引入Circle混沌映射，能夠使初始化種群在搜索空間中分布更加均勻，其公式如下：

xi+1=modxi+b-a2πsin2πxi，1。（3）

當a=0.5，b=0.2時，xi+1在（0，1）中生成混沌序列，代替了PSO種群的隨機數，使得粒子的初始位置和速度分布更加均勻，有效避免陷入局部解，提高了搜索全局最優的能力。

2.2.3 非對稱學習因子

學習因子在一定程度上可以控制粒子的最優軌跡。本研究基于異步學習因子對C1和C2做出了改進，如式（4）和式（5）所示：

C1=Cⁱ1+βC^f1-Cⁱ1K，Cⁱ1=2，C^f1=0.5；（4）

C2=Cⁱ2+βC^f2-Cⁱ2K，Cⁱ2=1，C^f2=2。（5）

式中：K=t/tmax，t為當前迭代次數，tmax為最大迭代次數；Cⁱ1，C^f1分別為C1的初始值和結束值；Cⁱ2，C^f2分別為C2的初始值和結束值；β為常數，在最大迭代次數不同時，可以控制粒子相對速度變化緩慢或者迅速，這里設置為0.7。

2.2.4 非線性慣性權重

慣性權重是PSO算法可調參數中的關鍵改進參數^［21］。為了實現粒子前期大范圍移動，后期小范圍移動，提高尋找最優解的能力，本研究引入指數函數來實現權重的非線性變化，其公式如下：

w=wmin+wmax－wmine^－αK。（6）

式中：K=t/tmax，表示迭代次數比值，變量取值根據實際應用調整；α設置為0.3。

2.3 IPSO優化LSTM

根據數據量的大小和迭代的復雜度，本研究決定LSTM分為兩層，為了防止過擬合增加dropout層，使用均方誤差（MSE）損失和Adam優化器對模型進行訓練，以達到更好的預測結果，最后全連接層輸出SOH值。K. GREFF等^［22］探討了LSTM相關超參數的設置。試驗結果表明：學習率是LSTM最關鍵的超參數，其次是隱藏層大小。為了提高LSTM模型對鋰離子電池輸入輸出映射的能力，構建了IPSO LSTM預測模型。具體步驟如下：

步驟1：數據預處理。以特征數據作為輸入，由于數據之間的范圍差異較大會導致模型對某些特征更敏感而忽略了其他特征，歸一化數據可以將所有特征的值映射到同一個范圍內，從而消除范圍的差異，加速模型的收斂速度，使其更快地學到有效的特征權重。這里使用mapminmax函數將數據映射到［0，1］區間內并將數據分為訓練集和測試集。

步驟2：IPSO優化LSTM超參數。

1） IPSO的參數初始化。設置粒子數的維度為D，種群大小為P，迭代次數為N^［23］，學習因子Ci1=2，Cf1=0.5，Ci2=1，Cf2=2，慣性權重wmax=0.7，wmin=0.1。

2） 混沌初始化粒子的速度和位置。隨機生成種群粒子X=（ln，lr，ld ），ln代表每層LSTM網絡的神經元個數，取值范圍為［10，200］，lr代表學習率，取值范圍為［0.001，0.01］，ld代表丟棄率，取值范圍為［0.1，0.4］。

3） 采用均方根誤差（RMSE）計算適應度，用于評估LSTM模型在給定超參數下的性能。具體來說，由于模型內在的隨機性，為了提高結果的可靠性，進行m次運行，每次運行中初始化LSTM模型并進行訓練。再對測試數據進行預測，并計算每次運行的RMSE。最終RMSE求平均值后用于計算適應度，來反映模型性能的優劣。公式如下：

RMSE=1m∑^m1 1n∑ⁿi=1yi-ypre，（7）

f=11+RMSE。（8）

式中：m為運行次數，取值為3；yi為目標實際值；ypre為目標預測值；n為樣本個數；RMSE為多次運行的均方根誤差的均值；f為適應度函數，個體極值（Pbest）和全局極值（Gbest）根據粒子的適應度函數值進行計算。

4） 更新速度與位置。根據新位置計算適應度值，以更新Pbest和Gbest。

5） 判斷是否達到最大迭代次數。如果滿足則輸出最優結果；否則，返回4）。

步驟3：利用IPSO優化后的參數構建LSTM模型并進行訓練和預測。

步驟4：模型評估。采用平均絕對誤差、均方根誤差和平均絕對百分比誤差評估模型的預測準確性，公式如下：

MAE=1n∑ⁿi=1yi-ypre，（9）

RMSE= 1n∑ⁿi=1yi-ypre²，（10）

MAPE=100%n∑ⁿi=1yi-ypreyi。（11）

式中：yi為目標實際值；ypre為目標預測值；n為樣本個數。MAE，RMSE，MAPE越小，表示模型的預測性能越高，預測越準確。

模型訓練通過學習4個健康因子與實際SOH之間的關系來調整其內部權重和參數，這使得模型能夠在訓練過程中逐漸提高對電池健康狀態變化的預測能力。同時，IPSO算法的全局搜索能力確保了模型參數的有效優化，避免了陷入局部最優解的問題。

3 試驗結果分析

試驗基于Pycharm2021開發平臺，以深度學習框架Pytorch1.6作為輔助工具，設計了IPSO LSTM模型用于SOH估計。首先用B0005和B0006數據作為訓練集，B0007作為測試集對模型進行訓練和測試評估。為了驗證所提算法模型的優勢，將其與LSTM模型、基本PSO LSTM模型進行對比，結果如圖4所示。

由圖4可知，所提出的算法相比于其他兩種方法有著更小的估計誤差。圖4a中IPSO LSTM算法曲線在整個周期中都更接近真實值曲線，對于特征的學習能力最好，能夠更加準確地預測SOH。在循環區間局部放大圖可以看出，IPSO LSTM模型預測曲線更接近真實值，對SOH變化尤其是容量再生現象學習更好。因為IPSO相對于PSO具有更好的全局搜索能力，所以能夠更好捕捉數據變化的趨勢。

如表1所示，相比于LSTM和PSO LSTM，IPSO LSTM的MAE分別下降約48%和27%，RMSE分別下降約45%和23%，MAPE分別下降約49%和23%，進一步驗證IPSO LSTM算法的預測效果更好。圖5示出了在相同迭代次數下，PSO LSTM和IPSO LSTM模型得到的最佳適應度值。從圖中可以看出，IPSO LSTM在第4次迭代時適應度值有明顯的提升，搜索能力和收斂性更好。

為了驗證模型的泛化性，3個電池分別取前50%，60%，70%的數據作為訓練集，其余數據作為測試集，預測結果見圖6至圖8。用上述3個模型評估指標對預測結果進行評估，結果如表2所示。由表2可知，IPSO LSTM算法提高了SOH估計的準確性，IPSO LSTM與LSTM相比，MAE最多降低了約92%，RMSE最多降低了約90%，MAPE最多降低了約92%；IPSO LSTM與PSO LSTM相比，MAE最多降低了約55%，RMSE最多降低了約55%，MAPE最多降低了約55%。這表明IPSO LSTM模型在預測SOH中得到明顯改進，具有更高的預測精度和泛化性。

為了驗證皮爾遜系數法所選特征在預測準確性中的貢獻，將試驗分為三組，第一組輸入特征為全部13個健康因子，第二組用篩選后的4個健康因子作為輸入特征，第三組僅用與SOH相關性最高的一個健康因子作為輸入特征，以B0005和B0006電池數據作為訓練集，以B0007電池數據作為測試集，用IPSO LSTM算法驗證所選特征組合的有效性。

由表3可知，以本研究所選4個健康因子作為輸入時模型具有更高的精度，對SOH估計最準確，相比于13個健康因子作為輸入時，MAE，RMSE，MAPE分別降低了約39%，24%，41%，相比于1個健康因子作為輸入時，MAE，RMSE，MAPE分別降低了約58%，43%，59%，驗證了所選特征組合的適應性。因為未經過篩選的健康因子帶有大量的噪聲且特征之間還有相互影響，所以降低了模型學習電池退化信息的能力。由于影響電池退化的因素較多，只用相關性最高的一個健康因子，模型無法學習完整的電池衰減信息。因此，需要平衡考慮特征輸入的數量和質量，以提高模型的泛化性能和預測能力。

為了進一步驗證所提算法模型的優勢，與現有機器學習方法SFFS LSTM^［24］、BiGRU Transformer^［25］和VMD CNN AttBiGRU^［26］進行對比，本研究設置相同試驗條件，測試結果對比如表4所示。IPSO LSTM模型與BiGRU Transformer模型對比，雖然MAPE增加了20.8%，但是MAE，RMSE分別降低了約34.1%和33.0%。BiGRU Transformer中Transformer模型的自注意力機制對全局信息搜索能力與捕捉數據長期依賴關系更強，使得MAPE比IPSO LSTM模型更好。BiGRU Transformer方法對于電池的容量恢復情況預測精度不高，而IPSO對LSTM模型參數優化較好，且適應度函數更注重降低RMSE，模型對數據變化更敏感，所以在MAE，RMSE方面IPSO LSTM模型表現更好。

IPSO LSTM模型與SFFS LSTM和VMD CNN AttBiGRU相比，各個性能有顯著的提升，MAE分別降低了約79.8%和74.2%，RMSE分別降低了約80.7%和74.7%，MAPE降低了約78.4%。具體來說，MAE和RMSE的顯著降低表明IPSO LSTM模型能夠更準確地捕捉數據的實際值，而MAPE的降低則表明模型在相對誤差上的表現也更加出色。因為本研究在數據預處理階段采用了合適的特征提取方法，使得模型能夠更好地適應數據集的特性。相比之下，VMD CNN AttBiGRU模型采用了變分模態分解（VMD）和卷積神經網絡（CNN），但在特征提取和噪聲處理方面存在不足，SFFS LSTM模型雖然利用了前向浮動序列選擇算法（SFFS），但在處理高維特征時存在效率問題。綜上所述，IPSO LSTM模型與上述3種方法對比，其在MAE，RMSE和MAPE指標上大幅改進，驗證了IPSO LSTM模型在誤差控制和數據適應性方面的有效性和優越性。

4 結束語

本研究提出了IPSO LSTM模型用于準確估計電池SOH值，所提模型能夠準確地捕捉電池退化的趨勢，尤其對捕捉容量再生現象更為顯著，解決了傳統LSTM模型和基本PSO LSTM模型容易陷入局部最優的問題。

針對間接特征提取困難的問題，使用在線獲得的數據直接提取特征，從13個備選特征中利用皮爾遜相關系數法篩選出4個與SOH高度相關的一組特征，通過3組試驗證明了所選特征組合的準確性。

通過在多樣本和小樣本數據上將IPSO LSTM模型與LSTM，PSO LSTM模型作對比，驗證了IPSO LSTM模型擁有更高的精度和更低的誤差。此外，還與其他現有模型方法作對比，驗證了IPSO LSTM模型在SOH預測方面的優越性，對電池管理系統SOH準確估計具有一定實際應用價值，未來考慮在不同數據集上驗證所提算法模型的性能。

參考文獻：

［1］ 李炳金，韓曉霞，張文杰，等.鋰離子電池剩余使用壽命預測方法綜述［J］.儲能科學與技術，2024，13（4）：1266 1276.

［2］ 樊亞翔，肖飛，許杰，等.基于充電電壓片段和核嶺回歸的鋰離子電池SOH估計［J］.中國電機工程學報，2021，41（16）：5661 5670.

［3］ FAN Y，XU J，YANG G，et al.State of health estimation of lithium ion batteries based on the partial charging voltage segment and kernel ridge regression［J］.Proc. CSEE，2021，41（16）：5661 5669.

［4］ 陳凱.新型鋰離子電池等效電路的SOC估算研究［J］.數字技術與應用，2017（10）：82 83.

［5］ ZHANG Q，SHANG Y，LI Y，et al.A novel fractional variable order equivalent circuit model and parameter identification of electric vehicle Li ion batteries［J］.ISA Transactions，2020，97：448 457.

［6］ 徐興，徐琪凌，王峰，等.車用鋰離子動力電池電化學模型修正方法［J］.機械工程學報，2019，55（12）：128 136.

［7］ 李曉杰，喻云泰，張志文，等.基于電化學老化衰退模型的鋰離子動力電池外特性［J］.物理學報，2022，71（3）：345 353.

［8］ DOMENICO D D，STEFANOPOULOU A，FIENGO G.Lithium ion battery state of charge and critical surface charge estimation using an electrochemical model based extended Kalman filter［J］.Journal of Dynamic Systems， Measurement， and Control，2010，132（6）：061302.

［9］ ZHANG X，HAN Y，ZHANG W.A review of factors affecting the lifespan of lithium ion battery and its health estimation methods［J］.Trans. Electr. Electron. Mater.，2021，22：567 574.

［10］ WANG Y，MENG D，WANG Y，et al.Research on health state estimation methods of lithium ion battery for small sample data［J］.Energy Reports，2022，8：2686 2698.

［11］ 范高鋒，王偉勝，劉純，等.基于人工神經網絡的風電功率預測［J］.中國電機工程學報，2008，28（34）：118 123.

［12］ KAUR K，GARG A，CUI X，et al.Deep learning networks for capacity estimation for monitoring SOH of Li ion batteries for electric vehicles［J］.International Journal of Energy Research，2021，45（2）：3113 3128.

［13］ REN X，LIU S，YU X，et al.A methodfor state of charge estimation of lithium ion batteries based on PSO LSTM［J］.Energy，2021，234：121236.

［14］ GONG Y，ZHANG X，GAO D，et al.State of health estimation of lithium ion batteries based on improved long short term memory algorithm［J］.Journal of Energy Storage，2022，53：105046.

［15］ ZHANG Z，LI L，LI X，et al.State of health estimation for the lithium ion battery based on gradient boosting decision tree with autonomous selection of excellent features［J］.International Journal of Energy Research，2022，46（2）：1756 1765.

［16］ 張韜，王陽，王言子，等.蜻蜓算法優化的高斯過程回歸對鋰電池健康狀態預測［J］.重慶理工大學學報（自然科學），2023，37（11）：352 361.

［17］ YANG Y，CHEN S，CHEN T，et al.State of health assessment of lithium ion batteries based on deep Gaussian process regression considering heterogeneous features［J］.Journal of Energy Storage，2023，61：106797.

［18］ SCHMIDHUBER J，HOCHREITER S.Long short term memory［J］.Neural Computation，1997，9（8）：1735 1780.

［19］ EBERHART R，KENNEDY J.Particle swarm optimization［C］//Proceedings of the IEEE international conference on neural networks.［S. l.］：IEEE，1995：1942 1948.

［20］ OZER A B.CIDE：chaotically initialized differential evolution［J］.Expert Systems with Applications，2010，37（6）：4632 4641.

［21］ WANG J，ZENG L，YANG K.Multi objective optimization of printed circuit heat exchanger with airfoil fins based on the improved PSO BP neural network and the NSGA Ⅱ algorithm［J］.Nuclear Engineering and Technology，2023，55（6）：2125 2138.

［22］ GREFF K，SRIVASTAVA R K，KOUTNíK J，et al.LSTM：A search space odyssey［J］.IEEE Transactions on Neural Networks and Learning Systems，2016，28（10）：2222 2232.

［23］ 馬春馳，李想，徐洪偉，等.基于IPSO MOC RF算法的隧道智能支護方法研究［J］.巖石力學與工程學報，2024，43（3）：556 572.

［24］ 夏玉杭，李旭，王建春.基于SFFS特征選擇的鋰離子電池健康狀態預測研究［J］.中阿科技論壇（中英文），2024（5）：93 97.

［25］ JIA C，TIAN Y，SHI Y，et al.State of health prediction of lithium ion batteries based on bidirectional gated recurrent unit and transformer［J］.Energy，2023，285：129401.

［26］ 云豐澤，劉勤明，汪宇杰.基于融合神經網絡模型的鋰離子電池健康狀態間接預測［J］.信息與控制，2024，53（5）：603 614.

Lithium Battery Health Estimation Based on Multiple Health Factors and IPSO LSTM Model

LI Jun，CHEN Xiaoran，XU Liang

（School of Computer and Control Engineering，Northeast Forestry University，Harbin 150040，China）

Abstract： An improved particle swarm optimization（IPSO） algorithm based on multiple health factors was proposed to optimize the LSTM model for lithium ion battery health state（SOH） estimation. Thirteen alternative health factors were extracted from the volt， current and temperature curves measured online. Pearson correlation coefficient analysis was used to obtain four health factors as the input of IPSO LSTM model. The adaptability of selected health factors was verified by experiments and the accurate SOH prediction was achieved. The 50%， 60% and 70% data of each battery sample were taken as the training set， and the rest were taken as the testing set. Compared with the PSO LSTM and LSTM methods， the test results showed that the MAE， RMSE and MAPE estimated by SOH were all kept within 1%， and the model had strong generalization and effectiveness.

Key" words： lithium ion battery；prediction model；health management

［編輯： 潘麗麗］