BiLSTM-FM-Res SOH估计模型

部分充电即可估

利用充电功率曲线面积作为健康指标，结合堆叠深度学习架构，在随机部分充电场景下实现高精度锂离子电池健康状态估计。

Kui, Shao · Zhai, Chao · 张朝龙 · 何怡刚 · Du, Bolun · Wu, Ji

IEEE Transactions on Instrumentation and Measurement 2025

参数信息

皮尔逊相关系数

>0.998

均方根误差

<1 %

平均绝对误差

<0.8 %

决定系数

>0.979

技术优势

部分充电就能估

用功率曲线面积而非完整充放电曲线，不依赖完整 SOC 区间，随机部分充电场景下也能得到与 SOH 高度相关的健康指标。

抗噪特征挖掘

BiLSTM 提取时序特征后，通过 feature mapping 深度挖掘关键模式、抑制噪声干扰，再用残差连接融合多源特征，提升估计鲁棒性。

三个数据集都准

在三个真实电池数据集上验证，RMSE<1%、MAE<0.8%、R²>0.979，表明方法在不同电池和工况下泛化性好。

应用场景

• 电池健康管理：在随机部分充电条件下提供高精度SOH估计，支撑电池维护和退役决策。
• 锂电池：用功率曲线面积追踪锂离子电池退化趋势，无需完整充放电数据。
• 电化学与储能：将电化学储能系统的运行数据转化为SOH估计，提升储能管理效率。
• 电动汽车：适配电动汽车实际充电片段，为BMS提供在线SOH估计。