La qualité et la quantité des données influencent le développement et la performance des algorithmes avancés de gestion des batteries. Les méthodes actuelles ignorent le problème des données incomplètes dans des scénarios d'exploitation réels (en particulier les données de tension), ce qui limite leur déploiement et leur application commerciale. Cette étude propose un cadre génératif basé sur un autoencodeur variationnel conditionnel et une architecture Transformer. Ce cadre utilise des variables conditionnelles collectées lors de la dégradation de la batterie pour reconstruire la courbe de tension de charge standard complète à partir de fragments limités de tension. Ensuite, les données de tension de charge reconstruites peuvent être utilisées pour estimer l'état de santé (SOH) futur de la batterie. En analysant des données de terrain provenant de systèmes de stockage d'énergie, des conditions de simulation ont été conçues pour collecter des données de dégradation. Les expériences montrent que le cadre proposé peut reconstruire la courbe de tension de charge et réaliser une estimation précise de l'état de santé. De plus, les résultats des tests en conditions de données incomplètes montrent que la courbe de tension reconstruite fournit des informations utiles pour l'estimation en ligne de l'état de santé dans les applications de gestion des batteries.

Batterie lithium-ion;Intelligence artificielle générative;Estimation de l'état de santé;Données incomplètes;Reconstruction de la tension