리튬 이온 전지의 건강 상태(SOH)는 리튬 이온 전지의 건강 관리를 반영하는 중요한 지표이다. 리튬 이온 전지 SOH 예측의 부정확함과 최소 제곱 지지 벡터 머신(LSSVM) 모델 파라미터의 지역 최적에 빠지기 쉬운 문제를 해결하기 위해 변분 모달 분해(VMD)와 서브트랙트드 메디안 최적화(SABO) 알고리즘으로 최적화된 LSSVM 리튬 이온 SOH 예측 방법을 제안했다. 먼저, 배터리 퇴화 정보를 포함하는 충전 및 방전 과정에서 잠재적인 건강 인자(HI)를 추출한다. 둘째, 회색 상관 분석법(GRA)을 사용하여 HI와 용량의 관련성을 분석한다. 그런 다음, VMD를 사용하여 HI를 일련의 모달 구성요소로 분해하고 각 모달 구성요소를 개별적인 하위 서열로 간주하여 SABO로 최적화된 LSSVM에 입력한다. 마지막으로, 각 하위 서열의 예측 결과를 중첩 재구성하고 오차 평가를 수행한다. 미국 항공우주국(NASA)의 4개의 배터리 데이터를 사용하여 실험 검증하고 추가로 매릴랜드 대학 CALCE의 배터리 데이터를 선택하여 이 방법의 적응성을 검증했다. 실험 결과는 예측 방법이 높은 예측 정확도를 가지며 VMD-LSSVM, LSSVM, VMD-SABO-SVM 모델과 비교하여 평균 제곱근 오차(RMSE)가 각각 69.8%, 86.9%, 78.1% 증가했다.

리튬 이온 전지; 변분 모달 분해; 최소 제곱 지지 벡터 머신; 서브트랙트드 메디안 최적화; 건강 상태