堆叠自编码健康估计网络

6点电压即估

无需人工特征，从极少量松弛电压点自动提取健康指标，跨容量和厂家差异可直接迁移，让锂金属电池健康建模从实验室快速走向工业。

于全庆 · 王灿 · Li, Jianming · Liubin, Fan · Shizhuo, Liu · 熊瑞

Energy Storage Materials 2025

参数信息

平均绝对误差

0.56 %

均方根误差

0.74 %

迁移后平均绝对误差降幅

67.12 %

技术优势

少数据也能用

只需21甚至6个松弛电压点即可自动提取健康指标，无需人工设计特征。

跨型号误差大降

从3.8 mAh实验室电芯迁移到19.9 Ah工业电池时，估计误差最高降低67.12%。

无需人工特征

集成学习与分层自编码表示相结合，自动从电压数据中学习健康指标。

应用场景

• 锂金属电池健康管理：用少量电压数据快速建立健康模型，替代传统大量测试。
• 电池状态估计：在产线或嵌入式系统中实时估算健康状态，无需人工特征工程。
• 电池管理系统：提供轻量级预测器，可嵌入BMS实现低数据量下的精确估计。
• 智能电池算法：自动提取健康指标，减少对专家知识的依赖，加速模型部署。