El estado de salud de la batería de iones de litio (SOH) es un indicador importante de la gestión de la salud de la batería de iones de litio. Para resolver los problemas de predicción inexacta de SOH de la batería de iones de litio y la convergencia de los parámetros del modelo de máquina de vectores de soporte de mínimos cuadrados (LSSVM) hacia un óptimo local, se propuso un método de predicción de SOH de la batería de iones de litio optimizado mediante la descomposición modal variacional (VMD) y la optimización promedio por eliminación de sustracción (SABO) LSSVM. En primer lugar, se extrajeron factores de salud potenciales (HI) de los procesos de carga y descarga que contienen información sobre la degradación de la batería; en segundo lugar, el análisis de correlación en gris (GRA) HI y de la capacidad; luego, utilizando VMD, HI se descompuso en una serie de componentes modales, y cada componente modal se consideró como una subsecuencia distinta, introducida en LSSVM optimizado por SABO; finalmente, los resultados de predicción de cada subsecuencia se sumaron y reconstruyeron, y se realizó una evaluación del error. Se llevaron a cabo experimentos y verificación del método en 4 conjuntos de datos de baterías proporcionados por la Administración Nacional de Aeronáutica y del Espacio (NASA) y se seleccionaron datos adicionales de baterías por la Universidad de Maryland CALCE para su validación. Los resultados experimentales mostraron que el método de predicción tiene una alta precisión de predicción. En comparación con los modelos VMD-LSSVM, LSSVM y VMD-SABO-SVM, el error cuadrático medio (RMSE) aumentó en un 69,8%, 86,9% y 78,1% respectivamente.

Batería de iones de litio; Descomposición modal variacional; Máquina de vectores de soporte de mínimos cuadrados; Optimización promedio por eliminación de sustracción; Estado de salud