Die genaue Schätzung des Gesundheitszustands von Lithium-Ionen-Batterien ist entscheidend für die Gewährleistung der Betriebssicherheit und Zuverlässigkeit. Die meisten bestehenden Studien zur Schätzung des Gesundheitszustands gehen jedoch davon aus, dass vollständige Ladedaten verfügbar sind, was eine direkte Anwendung in realen Szenarien erschwert. Teilweise Ladebedingungen und Degradationsunterschiede zwischen einzelnen Zellen stellen erhebliche Herausforderungen für die Online-Schätzung des Gesundheitszustands dar. Daher schlägt dieser Artikel einen verbesserten, mit Unsicherheitsgewichtung versehenen bayesschen Fusionsrahmen für sequenzielle variationale Gaussian Mixture Regression vor, um die Genauigkeit und Robustheit der Gesundheitszustandsschätzung unter teilweisen Ladebedingungen zu verbessern und historische Degradationspriors sowie unvollständige Ladekurven gemeinsam in das Modell einzubeziehen. Zunächst werden die extrahierten teilweisen Ladeeigenschaften und historische Kapazitätsinformationen probabilistisch modelliert, wobei sequenzielle variationale Gaussian Mixture Regression zur Vorhersage der aktuellen Zykluskaptazität und der Unsicherheit verwendet wird; anschließend wird basierend auf der beobachteten Kapazitätsfolge ein gleitendes Fenster zur Konstruktion eines Priors verwendet, der den historischen Kapazitätsabbautrend repräsentiert; für die Online-Aktualisierung des Priors wird eine mit Unsicherheitsgewichtung versehene bayessche Online-Korrekturmethode vorgeschlagen. Vergleichsexperimente an zwei öffentlich zugänglichen Datensätzen zeigen, dass der vorgeschlagene Rahmen die Basismethoden übertrifft und unter partiellen Ladebedingungen eine hervorragende Schätzleistung erbringt.

Lithium-Ionen-Batterie; Gesundheitszustandsschätzung; unvollständige Ladekurven; sequenzielle variationale Gaussian Mixture Regression; bayessche Fusion; Online-Korrektur