Точное оценивание состояния здоровья литий-ионных аккумуляторов крайне важно для обеспечения безопасности и надежности эксплуатации. Однако большинство существующих исследований по оценке состояния здоровья предполагают наличие полного набора данных зарядки, что затрудняет их непосредственное применение в реальных условиях. Частичные условия зарядки и различия в деградации между элементами вызывают значительные трудности при онлайн-оценке состояния здоровья. В связи с этим в данной работе предлагается усовершенствованная рамочная модель последовательной вариационной регрессии с гауссовской смесью с нечетко-взвешенной байесовской интеграцией для повышения точности и устойчивости оценки состояния здоровья при частичной зарядке, с учетом исторического приоритета деградации и неполных зарядных кривых. Сначала извлеченные признаки частичной зарядки и историческая информация о емкости модельируются вероятностно с использованием последовательной вариационной регрессии с гауссовской смесью для получения прогноза текущей емкости цикла и связанной с ним неопределенности; затем на основе наблюдаемой последовательности емкостей строится скользящее окно, представляющее приоритет тренда исторической деградации емкости; для реализации онлайн-обновления приоритета предложен метод онлайн-коррекции с нечетко-взвешенной байесовской интеграцией. Сравнительные эксперименты на двух открытых наборах данных показывают, что предложенный каркас превосходит базовые методы и обладает отличными показателями оценки при частичной зарядке.

литий-ионный аккумулятор; оценка состояния здоровья; неполные зарядные кривые; последовательная вариационная регрессия с гауссовской смесью; байесовская интеграция; онлайн-коррекция