摘要：在锂离子电池的应用中，快速充电技术的普及带来了显著的便利，但不同快速充电策略对电池健康状态（state of health， SOH）的影响显著。在快速充电条件下，锂离子电池SOH的准确估计面临着鲁棒性差、计算成本高等困难。本研究在多级恒流快充场景中，利用充电电压和放电电压曲线提取等电压范围采样计数作为健康特征双输入估计锂离子电池SOH。同时，采用多任务学习框架，以应对部分健康特征缺失的情况，增强模型的鲁棒性。通过在大型公开快充数据集上的验证，结果显示在多级恒流快充条件下，锂离子电池SOH估计的均方根误差和平均绝对误差均在1%以内，决定系数在0.98以上，且表现出较强的鲁棒性。
文章目录
0引言
1数据集与健康特征提取
1.1数据集介绍
1.2健康特征提取
2多任务学习方法
2.1 LSTM模型
2.2误差评判指标
3验证与结果
3.1完整健康特征下的SOH估计
3.2缺失健康特征下的SOH估计
3.3实验条件与算法比较
4结论
