L’estimation précise de l’état de santé des batteries lithium-ion est cruciale pour garantir la sécurité et la fiabilité de leur fonctionnement. Cependant, la plupart des études actuelles d’estimation de l’état de santé supposent la disponibilité de données de charge complètes, ce qui rend leur application directe dans des scénarios réels difficile. Les conditions de charge partielles ainsi que les différences de dégradation entre les cellules posent des difficultés significatives pour l’estimation en ligne de l’état de santé. À cet égard, cet article propose un cadre renforcé de fusion bayésienne pondérée par l’incertitude avec une régression gaussienne variationnelle séquentielle mixte afin d’améliorer la précision et la robustesse de l’estimation de l’état de santé sous conditions de charge partielle, en intégrant à la fois les antécédents de dégradation historique et les courbes de charge incomplètes dans le modèle. Tout d’abord, les caractéristiques extraites de la charge partielle et les informations historiques sur la capacité sont modélisées probabilistement en utilisant la régression gaussienne variationnelle séquentielle mixte pour obtenir la prédiction de la capacité du cycle actuel et son incertitude ; ensuite, une fenêtre glissante est utilisée pour construire un prior représentant la tendance historique de dégradation de la capacité sur la base de la séquence de capacité observée ; enfin, une méthode de correction bayésienne en ligne pondérée par l’incertitude est proposée pour permettre la mise à jour en ligne du prior. Des expériences comparatives sur deux ensembles de données publiques montrent que le cadre proposé surpasse les méthodes de référence et offre d’excellentes performances d’estimation sous conditions de charge partielle.

batterie lithium-ion; estimation de l’état de santé; courbe de charge incomplète; régression gaussienne variationnelle séquentielle mixte; fusion bayésienne; correction en ligne