面向退役电动汽车电池的智能域泛化健康状态估计方法研究

《Journal of Energy Storage》：Interface coupling induced dual GeSiP 2 for high-performance sodium-ion batteries

本文提出了一种针对退役电动汽车电池（SLBs）的智能域泛化健康状态（SOH）估计方法。针对SLBs存在的不完整充放电数据和不同退化水平导致的域偏移挑战，作者建立了真实世界数据集（UCSD-XJTU-Nissan），并构建了结合Kolmogorov-Arnold网络与Transformer架构的端到端SOH估计框架。通过引入小样本迁移学习（FSTL）策略和贝叶斯优化算法，该方法仅需不完整充放电数据即可实现准确的SOH评估，为退役电池的安全可靠应用提供了创新解决方案。

　　

亮点

本文提出了一种面向退役电动汽车电池（SLBs）的智能域泛化健康状态（SOH）估计方法。针对SLBs存在的不完整充放电数据和不同退化水平导致的域偏移挑战，我们建立了真实世界数据集（UCSD-XJTU-Nissan），并构建了结合Kolmogorov-Arnold网络与Transformer架构的端到端SOH估计框架。通过引入小样本迁移学习（FSTL）策略和贝叶斯优化算法，该方法仅需不完整充放电数据即可实现准确的SOH评估，为退役电池的安全可靠应用提供了创新解决方案。

结论

本文提出了一种面向退役电池（SLBs）的智能域泛化健康状态（SOH）估计方法，以解决不完整数据和域偏移带来的SOH估计挑战。为全面捕捉具有不完整充放电数据的SLBs的退化信息，我们建立了一个端到端的SOH估计框架，该框架将Kolmogorov-Arnold网络与Transformer架构相结合。此外，该框架还融合了FSTL策略，以在不同退化水平的SOH域之间对齐特征分布。