A estimativa precisa do estado de saúde de baterias de íons de lítio é crucial para garantir a segurança e confiabilidade de operação. No entanto, a maioria das pesquisas atuais de estimativa do estado de saúde assume a disponibilidade de dados completos de carregamento, dificultando sua aplicação direta em cenários práticos. Condições de carregamento parcial e diferenças na degradação entre células individuais trazem significativas dificuldades para a estimativa online do estado de saúde. Para isso, este artigo propõe uma estrutura sequencial de regressão variacional por mistura gaussiana com fusão bayesiana ponderada por incerteza aprimorada, para melhorar a precisão e robustez da estimativa do estado de saúde sob condições de carregamento parcial, incorporando conjuntamente o histórico de degradação como prior e curvas de carregamento incompletas na modelagem. Primeiramente, as características extraídas do carregamento parcial e as informações históricas de capacidade são modeladas probabilisticamente, utilizando regressão variacional sequencial por mistura gaussiana para obter a previsão da capacidade do ciclo atual e sua incerteza; em seguida, com base na sequência de capacidade observada, é construída uma janela deslizante para representar a tendência de degradação histórica da capacidade; para possibilitar a atualização online do prior, é proposto um método de correção bayesiana online ponderada por incerteza. Experimentos comparativos em dois conjuntos de dados públicos demonstram que a estrutura proposta supera os métodos de referência, apresentando desempenho excelente na estimativa sob condições de carregamento parcial.

bateria de íons de lítio; estimativa do estado de saúde; curvas de carregamento incompletas; regressão variacional sequencial por mistura gaussiana; fusão bayesiana; correção online