一种融合超声数据与混合机器学习的蓄电池健康状态评估方法

本发明提供一种融合超声数据与混合机器学习的蓄电池健康状态评估方法，属于蓄电池健康状态评估技术领域，本发明聚焦于ANN与GWO‑ANN两种模型在蓄电池SOH回归预测中的性能对比，发现GWO‑ANN模型凭借灰狼优化算法对ANN参数的精准调优，展现出更高的预测精度与泛化能力，其R2值接近完美，误差极低，显著超越了ANN模型，并且本发明创新性地引入了HHT‑GWO‑ANN模型，该模型融合了HHT与GWO的优势，不仅加速了计算过程，还增强了模型的稳健性和预测精度，实现了高效稳定的模型构建，且其测试性能与训练阶段保持一致，验证了其在蓄电池SOH无损检测中的实用潜力。本发明倡导的超声无损检测方法在蓄电池SOH识别上展现出独特优势，并且克服传统方法的局限。