Dieser Artikel schlägt eine Methode zur Bewertung des Gesundheitszustands (SOH) von Lithium-Ionen-Batterien vor, die einen verbesserten Walfisch-Optimierungsalgorithmus mit Support Vector Regression (IWOA-SVR) kombiniert. Zunächst wurden Ladungs- und Entladungsdaten unter verschiedenen Strategiebedingungen gesammelt und Schlüsselparameter des Batteriealterungsprozesses extrahiert; dann wurde die starke Korrelation zwischen den Merkmalen und dem SOH mittels Pearson-Korrelationsanalyse bestätigt. Der Algorithmus integriert einen adaptiven Gewichtungsanpassungsmechanismus und eine Levy-Flugstrategie in den traditionellen Walfisch-Optimierungsalgorithmus, wodurch das Problem hoher Fehler bei der Online-SOH-Bewertung effektiv gelöst wird. Abschließend wurde die Methode mit experimentellen Testdaten unter typischen Bedingungen der Konstantstrom-Konstantspannungs- und Konstantstromladung validiert. Die Ergebnisse zeigen, dass die IWOA-SVR-Methode eine höhere Stabilität und Genauigkeit aufweist, wobei der maximale Fehler auf unter 1,4% begrenzt werden kann. Zudem übertrifft IWOA-SVR die Vergleichsalgorithmen deutlich bei den beiden wichtigen Bewertungskennzahlen: dem mittleren absoluten prozentualen Fehler (MAPE) und dem Root-Mean-Square-Error (RMSE), was seine hohe Präzision und Robustheit bei der Online-SOH-Erkennung von Lithium-Ionen-Batterien belegt.

Lithium-Ionen-Batterie;verbesserter Walfisch-Optimierungsalgorithmus;Support Vector Regression;Erkennung des Batteriezustands