基于车辆充电数据驱动的电池健康状态（SOH）评估因其无需额外传感且便于在线部署，正成为BMS中的关键手段。近日，中国科学院海西研究院泉州装备制造研究中心等团队提出了一种面向“任意充电电压片段”的两阶段堆叠集成框架：以局部增量容量（Δq）为核心特征（无需滤波、可从任意连续/非连续电压段直接提取），先按电压区间训练一组相关性驱动的RVM基学习器，再依据皮尔逊相关系数进行加权融合并堆叠得到最终估计器，实现对随机用户充电行为的自适应在线SOH估计。该方法在三套数据集（自建NMC加速老化、Oxford 与 MIT，环境温度分别约25 °C/30 °C/40 °C）上系统验证。

图1.  所提出的任意充电电压片段下的 SOH 估计总体框架。

图2.  随电压段变化的 SOH 估计均方根误差

这项工作面向任意充电电压片段场景，提出并实现了以局部增量容量（Δq）为核心特征、以RVM为基学习器的两阶段堆叠集成框架，在不依赖完整充电曲线且无需复杂滤波的条件下完成在线SOH估计。系统揭示了Δq与SOH的电压区间相关性并用于训练与融合：相关系数ρ随电压显著变化，3.86–3.90 V及>4.12 V区间ρ≈0.95，而约3.8 V附近相关性较弱（ρ≈0.33），据此进行相关性驱动的样本重加权与特征构建，从而提升堆叠学习的自适应性与准确性。在100组任意电压段测试中，该框架较SVR/GPR表现更优且更稳定，代表性结果为R²≈96.60%，并伴随更小的误差离散度。此外，Δq特征易于跨不同电化学体系与充电场景获得，方法具备良好可迁移性与通用性，为复杂、随机充电行为下的BMS在线健康评估提供了新思路。

相关研究成果以“Health Status Estimation of Lithium-ion Battery Under Arbitrary Charging Voltage Information Using Ensemble Learning Framework”为题发表于Reliability Engineering & system Safety期刊上。中国科学院海西研究院泉州装备制造研究中心林名强正高级工程师为第一作者，西安交通大学孟锦豪副教授为通讯作者。研究工作获得国家自然科学基金、福建省自然科学基金等项目的支持。

论文链接：https://doi.org/10.1016/j.ress.2024.110782

(戴厚德课题组林名强团队供稿)