L'état de santé de la batterie lithium-ion (SOH) est un indicateur important de la gestion de la santé de la batterie lithium-ion. Pour résoudre les problèmes de prédiction inexacte du SOH de la batterie lithium-ion et de convergence des paramètres du modèle de machine à vecteurs de support de moindres carrés (LSSVM) vers un optimum local, une méthode de prédiction du SOH de la batterie lithium-ion optimisée par la décomposition modale variationnelle (VMD) et l'optimisation moyenne sous-échantillonnage (SABO) LSSVM a été proposée. Tout d'abord, les facteurs de santé potentiels (HI) ont été extraits des processus de charge et de décharge contenant des informations sur la dégradation de la batterie ; deuxièmement, l'analyse de corrélation grise (GRA) HI et de la capacité ; ensuite, en utilisant VMD, HI a été décomposé en une série de composantes modales, et chaque composante modale a été considérée comme une sous-séquence distincte, introduite dans LSSVM optimisé par SABO ; enfin, les résultats de prédiction de chaque sous-séquence ont été sommés et reconstruits, et une évaluation de l'erreur a été effectuée. L'expérimentation et la vérification de la méthode ont été effectuées sur 4 ensembles de données de batteries fournies par la National Aeronautics and Space Administration (NASA), et des données supplémentaires de batteries ont été sélectionnées par l'Université du Maryland CALCE pour validation. Les résultats expérimentaux ont montré que la méthode de prédiction a une précision de prédiction élevée. En comparaison avec les modèles VMD-LSSVM, LSSVM et VMD-SABO-SVM, l'erreur quadratique moyenne (RMSE) a augmenté respectivement de 69,8%, 86,9% et 78,1%.

Batterie lithium-ion; Décomposition modale variationnelle; Machine à vecteurs de support de moindres carrés; Optimisation moyenne sous-échantillonnage; État de santé