迁移学习SOH估算模型

小样本精准估健康

通过迁移学习，无需大量目标电池老化实验，即可用参考电池数据精准估计电池健康状态。

Qingkai, Xing · Zhang, Ming · 付亚平 · 凯王

Journal of Energy Storage 2025

参数信息

SOH估计误差

2 %

技术优势

免做老化实验

用参考纽扣电池的数据训练模型，迁移到目标电池，无需对目标电池进行老化实验即可估计SOH。

误差低于2%

所提框架估计目标电池SOH的RMSE小于2%，满足实际应用精度要求。

结果稳定

采用随机初始化参数和滤波器，确保估计结果的准确性和稳定性。

应用场景

• 电池健康管理：实时估算SOH，为维护和更换提供依据，无需额外实验。
• 电池状态监测：用EIS数据迁移学习，实现对电池状态的在线监测。
• 储能系统运维：储能系统运维中快速评估电池健康，降低测试成本。