对抗复合自编码健康指标

抗噪自动提取特征

通过对抗学习与复合堆叠自编码器自动构建可解释的健康指标，在噪声环境下提供高精度SOH估计。

Cai, Lei · Junxin, Li · 徐先峰 · 金海燕 · 孟锦豪 · Bin, Wang · 巫春玲 · Shengxiang, Yang

Journal of Energy Storage 2024

技术优势

抗噪特征提取

堆叠自编码器学习三种去噪行为，从带噪观测变量中恢复有用信息，提取的显式特征可直接用于SOH估计。

高泛化可迁移

对抗学习提升特征提取器的泛化能力，迁移学习显示该方法可轻松迁移到新的SOH估计任务。

应用场景

• 电池健康管理：可直接从带噪数据中生成健康指标，支撑劣化评估与维护决策。
• 锂电池状态估计：提供抗噪的SOH估计模型，提升状态估计鲁棒性。
• 电池管理系统：作为BMS中的健康估计模块，自动输出显式特征。
• 智能运维与预测性维护：迁移学习能力使其能快速适配新电池系统，辅助预测性维护。