知识引导少样本SOH估计

仅2%标签达<1.3%误差

利用双模态融合生成富含知识的代理标签进行预训练，在极少真实标签下实现高精度电池健康状态（SOH）估计，消除了长期循环至失效测试的需要。

Guo, Ruohan · Zhang, Kui · He, Shangyang · Peng, Dandan · Jiuyang, Song · Jinpeng, Tian · Safwat Khair, Rayeem · Huan, Wang · Shen, Weixiang · Chi Yung, Chung

eTransportation 2026

参数信息

平均绝对误差

<1.3 %

均方根误差

<2.1 %

均方根误差

<3 %

均方根误差提升

~80 %

技术优势

仅需2%标签

代理标签提供方向性监督，强化潜在表征学习，使模型在极少真实标签下即可实现高精度估计。

跨域稳健

在混合与跨数据集验证中保持MAE<2%、RMSE<3%，对化学体系与运行工况变化具有强适应性。

免去长测

利用周期性满充事件中可获取的老化线索生成代理标签，无需长期循环至失效测试即可实施健康诊断。

应用场景

• 电池管理系统：仅2%标签即可在线估计SOH，省去逐车容量标定。
• 钠电池健康管理：跨化学体系验证表明可迁移至钠电，缓解其标签更稀缺的问题。
• 电池残余价值评估：跨数据集稳健精度支持快速批量评估退役电池健康度。
• 储能系统智能运维：利用满充事件生成标签，适合储能系统周期性运维。
• 边缘侧SOH监测：预训练模型轻量，可在边缘设备上仅用少量真实标签微调。