2025年Energy SCI1区TOP，改进雪消融优化算法ISAO+电池健康状态估计，深度解析+性能实测

1.摘要

锂离子电池（LIBs）的健康状态（SOH）估计对于电池健康管理系统至关重要，为了准确估计LIBs的健康状态，本文提出了一种集成改进雪消融优化算法（ISAO）、深度极限学习机（DELM）和混合核极限学习机（HKELM）的混合模型。ISAO算法融合融合拉丁超立方采样、Levy飞行策略及正态云模型等策略，有效降低算法陷入局部最优的风险，并用于优化DHKELM模型的关键参数。

2.雪消融优化算SAO原理

【智能算法】雪消融优化算法（SAO）原理及实现

3.改进策略

拉丁超立方体抽样

LHS（拉丁超立方采样）是一种统计技术，通过将每个维度划分为相等的区间，并在每个区间内随机选择采样点，从而在整个空间中有效生成均匀分布的样本。

Levy飞行

Levy飞行是一种具有高度随机性和广泛适用性的搜索策略，其路径由密集的小步跳跃和偶发的大步跳跃组成。将Levy飞行引入算法中以替代布朗运动，不仅能够增强局部搜索能力，还能有效避免陷入局部最优。利用Levy飞行更新种群位置：
$$Z_{t+1}=Z_t+Levy(x)\Delta X_i$$

正态云模型

正态云模型通过模拟自然界中云滴的形成过程而提出 。本文引入正态云模型，以增强种群多样性，从而提升算法的全局搜索能力和收敛速度。

其中，期望（Ex）表示云滴或数据的平均值；熵（En）的增加会扩展云滴在水平方向的分布范围；超熵（He）的增加则增强了云滴的离散性，体现了云滴分布的随机性与模糊性。
$$positio{n}^{\prime }=Gnc(positio{n}_{best},E_x,E_n,H_e,Nd)$$

4.结果展示

5.参考文献

[1] Wang Y, Yu Y, Ma Y, et al. Lithium-ion battery health state estimation based on improved snow ablation optimization algorithm-deep hybrid kernel extreme learning machine[J]. Energy, 2025, 323: 135772.

6.代码获取

7.读者交流