锂离子电池SOH预测模型

结合松弛电压分析与深度学习架构，以可解释特征选择提升电池健康状态预测精度。

Simin, Yang · 谭晓军 · Jiagen, Li · Fan, Yuqian · Ziyu, Zhao · Binbin, Chen · Guan, Quanxue

Ionics 2025

参数信息

平均绝对误差

0.95 %

均方根误差改进

0.0084

模型内存占用

15.6 MB

技术优势

抗噪更强

降噪自编码器做特征降维，滤除输入噪声，让模型在复杂退化模式下更稳定。

误差更低

在CALCE和Tongji数据集上的平均绝对误差均低于0.95%。

模型很轻

模型仅占15.6MB，便于嵌入BMS或云平台。

特征可解释

通过皮尔逊相关、互信息和SHAP值挑选辅助老化特征，提升可解释性。

应用场景

• 电池健康管理：接入BMS实时估计SOH，提前预警电池老化。
• 锂电池寿命预测：用松弛电压预测剩余寿命，无需全充放电测试。
• 储能系统运维：云端批量评估电芯健康，优化储能系统运维。