Die Qualität und Quantität der Daten beeinflussen die Entwicklung und Leistung fortschrittlicher Batteriemanagementalgorithmen. Bestehende Methoden ignorieren das Problem unvollständiger Daten in realen Betriebsszenarien (insbesondere Spannungsdaten), was ihren praktischen Einsatz und die kommerzielle Anwendung einschränkt. Diese Studie schlägt einen generativen Rahmen vor, der auf einem bedingten Variationsautoencoder und einer Transformer-Struktur basiert. Dieser Rahmen nutzt bedingte Variablen, die während des Batteriedegradationsprozesses gesammelt wurden, um die vollständige standardisierte Ladungsspannungskurve aus begrenzten Spannungsteilen zu rekonstruieren. Anschließend können die rekonstruierten Ladungsspannungsdaten verwendet werden, um den zukünftigen Gesundheitszustand (SOH) der Batterie zu schätzen. Durch die Analyse von Felddaten aus Energiespeichersystemen wurden Simulationsbedingungen entworfen, um Degradationsdaten zu sammeln. Experimentelle Ergebnisse zeigen, dass der vorgeschlagene Rahmen die Ladungsspannungskurve rekonstruieren und eine genaue Gesundheitszustandsschätzung ermöglichen kann. Darüber hinaus zeigen Testergebnisse unter unvollständigen Datenbedingungen, dass die rekonstruierten Spannungskurven nützliche Informationen für die Online-Gesundheitszustandsschätzung in Batterie-Management-Anwendungen liefern.

Lithiumbatterie;Generative künstliche Intelligenz;Gesundheitszustandsschätzung;Unvollständige Daten;Spannungsrekonstruktion