锂离子电池，作为电动汽车与储能系统的核心组件，其健康状态（SOH）的准确评估对于保障系统稳定运行、优化维护策略及降低成本至关重要。然而，传统评估方法在面临数据噪声与不完整性问题时，往往力不从心。近日，一项创新性的研究成果为这一难题提供了新解，该成果由安徽大学、吉林汽车仿真与控制国家重点实验室及武汉大学的研究团队共同发布。
锂离子电池在长期使用过程中，会因内部化学反应及机械应力导致容量下降与内阻上升，准确评估其SOH对于确保电池系统的安全高效运行具有深远意义。尽管当前已有多种基于模型与数据驱动的方法应用于SOH评估，但这些方法在面对传感器噪声时表现不佳，且难以在不同电池数据集间实现有效泛化。
针对上述问题，该研究团队提出了一种结合降噪自编码器（DAE）与门控递归单元（GRU-RNN）的混合神经网络模型，该模型在SOH评估中展现出强大的抗噪声能力与泛化性能。具体而言，DAE部分通过无监督学习对含噪输入数据进行预处理，提取更为稳健的特征，随后这些特征被送入GRU-RNN部分，利用其时间序列建模能力进行SOH预测。
为了进一步提升模型的抗噪声能力，研究团队还采用了电压-容量（VC）模型对恒流充放电曲线进行重构，有效抑制了传感器噪声的影响。实验表明，即使在噪声干扰下，通过VC模型重构的电压曲线仍能与实际测量值高度吻合，为后续SOH评估提供了可靠的数据基础。
研究团队还从电池的增量容量（IC）曲线中提取了多个特征值，包括峰值高度、位置及面积等，这些特征值作为模型输入，进一步提升了SOH评估的准确性。实验验证显示，与传统DNN及GRU-RNN模型相比，该混合模型在噪声干扰下仍能保持较高的预测精度，且在不同电池数据集上均表现出良好的泛化能力。
值得注意的是，即使在仅使用部分充电曲线特征数据的情况下，该模型仍能有效预测SOH，虽然预测误差有所增加，但整体性能仍优于其他方法。这一发现为实际应用中电池健康管理的灵活性提供了有力支持。
该研究团队由来自安徽大学人工智能学院、吉林汽车仿真与控制国家重点实验室及武汉大学电气工程与自动化学院的专家组成，他们在新能源汽车及储能系统电池建模、状态估计及故障诊断领域拥有深厚的研究背景。依托多个重点实验室及国家级项目支持，团队已发表多篇高水平学术论文，并积累了大量原创性成果。
该研究成果不仅为锂离子电池SOH的准确评估提供了新的解决方案，也为电池健康管理领域的发展注入了新的活力。随着电动汽车与储能系统的广泛应用，这一成果将对提升系统性能、降低运营成本及保障安全运行产生深远影响。
