一种用于增强锂离子电池剩余使用寿命RUL预测的混合指数平滑与双重闪电搜索LSTM方法

原文：A Hybrid Exponential Smoothing and LSTM Approach With Double Lightning Search for Enhanced Prediction of Lithium Ion Battery Remaining Useful Life

这篇论文非常巧妙地把数据清洗、深度学习预测和自动参数寻找三件事结合在了一起。它先用数学方法把电池数据里的噪音抹平，再用改进的AI模型去预测寿命，还用一种模仿闪电路径的算法自动找到了模型的最优设置，完美解决了电池寿命预测不准、人工调参太累的大难题。目前电池健康管理数据噪点多且非线性强。

通常大家用的物理模型太复杂，纯数据模型又容易被脏数据带偏，而且模型的参数调整非常耗时。这篇论文提出的ES-LSTM-DLSA框架，相当于给AI装了一个降噪耳机（指数平滑）和一个自动导航仪（双重闪电搜索算法）。这种组合拳不仅显著降低了预测误差，还实现了对电池寿命终点（EoL）的精准锁定，这对未来电动汽车的残值评估和梯次利用具有极高的实用价值。

本研究提出了一种结合指数平滑（ES）、长短期记忆网络（LSTM）和双重闪电搜索算法（DLSA）的新型方法，用于预测锂离子电池的剩余使用寿命（RUL）和寿命终点（EoL）。该方法首先利用ES对原始数据进行去噪处理，随后通过DLSA算法自动寻找最佳超参数，最后利用LSTM模型进行迭代预测。基于NASA数据集的验证表明，该模型能有效适应非线性退化趋势，将容量预测误差控制在极低范围内（平均误差小于±0.002 Ah），显著优于现有的单一或混合预测模型。

原文标题: A Hybrid Exponential Smoothing and LSTM Approach With Double Lightning Search for Enhanced Prediction of Lithium‐Ion Battery Remaining Useful Life 发表日期: 2026年1月 期刊/来源: Battery Energy DOI链接: 10.1002/bte2.20250052