鋰離子電池，作為電動汽車與儲能系統的核心組件，其健康狀態（SOH）的準確評估對于保障系統穩定運行、優化維護策略及降低成本至關重要。然而，傳統評估方法在面臨數據噪聲與不完整性問題時，往往力不從心。近日，一項創新性的研究成果為這一難題提供了新解，該成果由安徽大學、吉林汽車仿真與控制國家重點實驗室及武漢大學的研究團隊共同發布。

鋰離子電池在長期使用過程中，會因內部化學反應及機械應力導致容量下降與內阻上升，準確評估其SOH對于確保電池系統的安全高效運行具有深遠意義。盡管當前已有多種基于模型與數據驅動的方法應用于SOH評估，但這些方法在面對傳感器噪聲時表現不佳，且難以在不同電池數據集間實現有效泛化。

針對上述問題，該研究團隊提出了一種結合降噪自編碼器（DAE）與門控遞歸單元（GRU-RNN）的混合神經網絡模型，該模型在SOH評估中展現出強大的抗噪聲能力與泛化性能。具體而言，DAE部分通過無監督學習對含噪輸入數據進行預處理，提取更為穩健的特征，隨后這些特征被送入GRU-RNN部分，利用其時間序列建模能力進行SOH預測。

為了進一步提升模型的抗噪聲能力，研究團隊還采用了電壓-容量（VC）模型對恒流充放電曲線進行重構，有效抑制了傳感器噪聲的影響。實驗表明，即使在噪聲干擾下，通過VC模型重構的電壓曲線仍能與實際測量值高度吻合，為后續SOH評估提供了可靠的數據基礎。

研究團隊還從電池的增量容量（IC）曲線中提取了多個特征值，包括峰值高度、位置及面積等，這些特征值作為模型輸入，進一步提升了SOH評估的準確性。實驗驗證顯示，與傳統DNN及GRU-RNN模型相比，該混合模型在噪聲干擾下仍能保持較高的預測精度，且在不同電池數據集上均表現出良好的泛化能力。

值得注意的是，即使在僅使用部分充電曲線特征數據的情況下，該模型仍能有效預測SOH，雖然預測誤差有所增加，但整體性能仍優于其他方法。這一發現為實際應用中電池健康管理的靈活性提供了有力支持。

該研究團隊由來自安徽大學人工智能學院、吉林汽車仿真與控制國家重點實驗室及武漢大學電氣工程與自動化學院的專家組成，他們在新能源汽車及儲能系統電池建模、狀態估計及故障診斷領域擁有深厚的研究背景。依托多個重點實驗室及國家級項目支持，團隊已發表多篇高水平學術論文，并積累了大量原創性成果。

該研究成果不僅為鋰離子電池SOH的準確評估提供了新的解決方案，也為電池健康管理領域的發展注入了新的活力。隨著電動汽車與儲能系統的廣泛應用，這一成果將對提升系統性能、降低運營成本及保障安全運行產生深遠影響。