Der Gesundheitszustand des Lithium-Ionen-Akkus (SOH) ist ein wichtiger Indikator für das Management der Gesundheit des Lithium-Ionen-Akkus. Um die Probleme der ungenauen Vorhersage des SOH des Lithium-Ionen-Akkus und der Konvergenz der Parameter des Modells der kleinsten quadratischen Stützvektormaschine (LSSVM) für ein lokales Optimum zu lösen, wurde eine Methode zur Vorhersage des SOH des Lithium-Ionen-Akkus vorgeschlagen, die mithilfe der variationalen Modenzerlegung (VMD) und der Optimierung des Mittelwerts durch Subtraktion (SABO) LSSVM optimiert wurde. Erstens wurden potenzielle Gesundheitsfaktoren (HI) aus den Lade- und Entladevorgängen extrahiert, die Informationen über die Batteriedegradation enthalten; zweitens, die graue Korrelationsanalyse (GRA) HI und die Kapazität; dann, unter Verwendung von VMD, wurde HI in eine Reihe von Modalitätsskomponenten zerlegt, und jede Modalitätsskomponente wurde als eine separate Teilfolge betrachtet, die in LSSVM optimiert durch SABO eingegeben wurde; schließlich wurden die Vorhersageergebnisse jeder Teilfolge summiert und rekonstruiert, und es wurde eine Fehlerbewertung durchgeführt. Experimente und Überprüfungen der Methode wurden an 4 Batteriedatensätzen durchgeführt, die von der National Aeronautics and Space Administration (NASA) bereitgestellt wurden, und zusätzliche Batteriedaten wurden von der University of Maryland CALCE für die Validierung ausgewählt. Die experimentellen Ergebnisse zeigten, dass die Vorhersagemethode eine hohe Vorhersagegenauigkeit aufweist. Im Vergleich zu den Modellen VMD-LSSVM, LSSVM und VMD-SABO-SVM stieg der mittlere quadratische Fehler (RMSE) um 69,8%, 86,9% bzw. 78,1%.

Lithium-Ionen-Akku; Variationale Modenzerlegung; Kleinste quadratische Stützvektormaschine; Mittelwertoptimierung durch Subtraktion; Gesundheitszustand