熵域半监督SOH模型

10%数据训练误差<1%

有限样本条件下，以熵域特征提取结合半监督学习，实现电池健康状态的高精度估计。

Yaming, Liu · Ding, Jiaxin · 蔡英杰 · Biaolin, Luo · 姚立纲 · Wang, Zhenya

Journal of Energy Storage 2025

参数信息

均方根误差

<1 %

平均绝对百分比误差

<1 %

技术优势

数据需求骤降

模型仅用 10% 的训练数据即可达到 RMSE 和 MAPE 均低于 1%，大幅降低数据采集与标注成本。

特征更抗噪

提出的 RCMDSE 算法在健康特征提取上优于常用的 IC 曲线方法，能提取更稳定有效的熵域特征。

应用场景

• 电池健康管理：小样本下高精度估计 SOH，降低数据采集成本。
• 电动车电池维护：实时监控车载电池健康，提前预警性能衰退。
• 储能电站运维：为储能系统提供精准 SOH，优化运维决策。