본 논문은 개선된 고래 최적화 알고리즘과 서포트 벡터 회귀(IWOA-SVR)를 결합한 리튬 이온 배터리 건강 상태(SOH) 검출 평가 방법을 제안한다. 먼저 다양한 충방전 전략 하에서 충방전 데이터를 수집하고 핵심 배터리 노화 특성 파라미터를 추출하였다. 이후 피어슨 상관 분석을 통해 특성 파라미터와 SOH 간의 강한 상관관계를 검증하였다. 알고리즘은 기존 고래 최적화 알고리즘에 적응형 가중치 조절 메커니즘과 레비 비행 전략을 융합하여, SOH 온라인 평가 시 발생하는 큰 오류 문제를 효과적으로 극복하였다. 마지막으로, 정전류 정전압 충전과 정전류 충전의 두 가지 전형적 운전 조건에서 실험 테스트 데이터를 사용하여 검증하였으며, 결과는 IWOA-SVR 검출 방법이 더 높은 안정성과 정확성을 가지며 최대 오차는 1.4% 이내로 제어 가능함을 보여주었다. 또한 평균 절대 백분율 오차(MAPE)와 평균 제곱근 오차(RMSE) 두 가지 핵심 평가 지표에서도 IWOA-SVR이 비교 알고리즘보다 현저히 우수하여, 리튬 이온 배터리 SOH 온라인 검출에서 높은 정밀도와 강인성을 입증하였다.

리튬 이온 배터리;개선된 고래 최적화 알고리즘;서포트 벡터 회귀;배터리 건강 상태 검출