ER-GBiLSTM容量估算模型

扩散增强数据

将通道注意力特征提取、扩散模型数据增强与图神经网络-双向LSTM容量估算相结合，解决EIS数据特征提取难和老化数据稀缺问题。

Haitao, Xu · Jiangtao, Xu · Gao, Jie · Wei, Wang · Du, Jinsong

Journal of Energy Storage 2026

技术优势

特征提取自动化

通道注意力加残差结构的特征提取器能自适应筛选与老化高度相关的EIS特征，省去手动设计和专家干预。

缓解数据稀缺

引入扩散模型生成合成数据，扩充训练集的多样性和规模，减少对昂贵循环测试的依赖。

建模时空依赖

图神经网络与双向LSTM结合，更准确捕捉老化过程中的时空关系，提升估算精度。

应用场景

• 电池健康管理：用精确容量估算监测电池健康，制定维护策略延长寿命。
• 锂离子电池：针对锂离子电池的容量退化特性建模，实现基于EIS的非侵入式估算。
• 电池管理系统：为BMS提供数据驱动的容量估算模块，提高状态评估实时性和准确性。
• 数据驱动电池诊断：基于EIS数据驱动诊断电池容量损失，无需拆解或破坏性测试。