Beta-高斯多域SOC模型

无标签跨域精准估算

利用Beta分布刻画荷电状态的有界性，结合神经参数化等效电路与共享层架构，实现对不同电池域无监督、高精度的SOC估计。

Rui, Yang · Garcia-Fernandez, Angel F. · Lee, Cherung

Journal of Energy Storage 2026

技术优势

无需标签即可估计

采用无监督方法，在学习和估计过程中无需标注SOC数据，适用于标签稀缺场景。

跨域迁移更省样本

共享层架构学习域不变特征，适应新域所需训练样本显著减少。

机理引导的模型设计

Beta分布精确刻画SOC有界性，神经参数化等效电路捕捉非线性动态，提高估计精度。

应用场景

• 电池管理系统：集成到BMS中实现无标签、跨域准确的SOC估计。
• 荷电状态估计：用无监督方法精确估计SOC，无需大量标注数据。
• 跨域迁移学习：通过共享层架构快速适应新电池域，减少训练样本需求。