目的 为了避免锂电池在使用的过程中可能会出现容量虚假回升现象，从而导致电池在超出退化标准后继续使用造成风险。方法 提出基于鲸鱼优化算法(WOA)、分模态分解(VMD)、麻雀搜索算法(SSA)和长短时记忆神经网络(LSTM)的组合预测算法对锂离子电池剩余寿命(RUL)进行预测。首先对于变分模态分解模态数K和惩罚因子a以往需要凭经验确定的问题，提出使用WOA对VMD的两个参数进行寻优。其次将原始容量退化数据根据上一步确定的参数进行模态分解，得到有限个模态分量。由于经过分解过后得到的残差分量的起伏性较大，因此将其作为其中的一个分量。最后，使用SSA优化LSTM的超参数，并对得到的模态分量和残差分量进行预测，并将预测的各个分量重构得到预测结果。结果 采用NASA PCoE实验室公开的锂电池失效数据集进行实验，验证了所提出的WOA-VMD-SSA-LSTM优化算法相较于其他2种优化算法，在平均绝对误差(MAE)、均方根误差(RMSE)和平均相对百分误差(MAPE)3项评价标准中都是最低，且MAPE小于1%。结论 该优化算法对于锂电池RUL预测具有不错的精度和稳定性，为锂电池RUL预测提供了一种新的预测模型的同时，也为VMD超参数的选择和确定提供了一种新方法。

安徽省自然科学基金资助项目(1808085MF169)；安徽高校自然科学研究项目(KJ2018A0086)；

1 理论背景
1.1 鲸鱼优化算法
1)包围猎物
2)狩猎行为
3)搜索猎物
1.2 变分模态分解
1)构造变分问题
2)求解变分问题
1.3 麻雀搜索算法
1)发现者位置更新
2)加入者位置更新
3)警戒者位置更新
1.4 长短时记忆神经网络
2 WOA-VMD-SSA-LSTM算法
2.1 数据集介绍
2.2 WOA优化VMD超参数
2.3 SSA优化LSTM的超参数
2.4 基于SSA的LSTM预测模型
2.5 模型评估标准
3 实验验证结果分析
4 结论与展望

[1]朱宗玖,顾发慧.基于优化VMD-SSA-LSTM算法的锂离子电池RUL预测[J].安徽理工大学学报(自然科学版),2024,44(02):11-19.