锂离子电池作为一种电化学储能元件，广泛应用于便携式电子产品和电动汽车。然而，在电池实际使用过程中，各种老化机制同时发生并相互耦合导致电池在不同工作条件下的退化路径复杂。同时由于用户随机的充电行为，充电片段的起始和结束电压也是随机的，因此，准确捕捉实际应用条件下锂离子电池的健康状态（SOH）仍然是一项具有挑战性的任务。针对上述问题，西安交通大学未来技术学院储能科学与工程方向硕士研究生郑琨在宋政湘、孟锦豪老师的指导下，提出了一种基于残差卷积和变压器网络（R-TNet）的方法，使用随机段中稀疏维度的特征——起始和结束电压、充电温度、充电电流倍率和安培小时吞吐量实现准确的锂电池SOH估计，同时设计了一种基于ElasticNet的特征迁移策略来使用任意充电长度的片段。该工作在66个具有不同工作条件的镍钴铝酸锂（NCA）进行了验证。对于200mV的随机电压段，该方法SOH估计的均方根误差（RMSE）仅为0.57%，与最佳比较方法相比，RMSE提高了17.2%。同时仅使用50mV电压段可以得到RMSE小于1.7%的SOH估计结果，证明了特征迁移策略的有效性。所提出方法也在55个镍钴锰酸锂（NCM）电池上进行了验证，证明了所提出方法在不同化学成分电池的有效性。该工作涉及电气工程和人工智能等学科，主要解决了当电池由电动汽车车主个人习惯或储能电站受电网支配随机充放电时难以实现灵活SOH估计的问题，为实现不同工况的任意充电片段的锂电池SOH估计提供了新的解决方案，加速了下一代储能系统健康管理云平台的开发。近日，该研究成果以“通过充电片段调整实现锂离子电池健康状态精细化评估”（Refined lithium-ion battery state of health estimation with charging segment adjustment）为题发表在能源与燃料领域国际期刊《应用能源》（Applied Energy）上。