摘要: 本文提出了一种基于放电温度样本熵特征的电池健康状态评估方法。样本熵能够提供评估时间序列可预测性的计算方法，并量化数据序列的规律性。因此，当它应用于放电温度数据时，能够作为电池健康状态的指示特征，对电池的退化过程和局部变化都有很好的捕捉效果。本文利用机器学习方法即支持向量机（SVM）引入智能预测能力，样本熵与电池健康状态（SOH）分别作为输入数据和目标向量。结果表明，基于样本熵的SVM预测方法在锂离子电池健康状态评估上具有良好的性能。