La calidad y cantidad de los datos afectan el desarrollo y rendimiento de algoritmos avanzados de gestión de baterías. Los métodos existentes ignoran el problema de datos incompletos en escenarios operativos reales (especialmente los datos de voltaje), lo que limita su despliegue práctico y aplicación comercial. Este estudio propone un marco generativo basado en un codificador variacional condicional y la estructura Transformer. Este marco utiliza variables condicionales recopiladas durante el proceso de degradación de la batería para reconstruir la curva estándar completa de voltaje de carga a partir de fragmentos limitados de voltaje. Posteriormente, los datos de voltaje de carga reconstruidos se pueden utilizar para estimar el estado de salud futuro (SOH) de la batería. Analizando datos de campo de sistemas de almacenamiento de energía, se diseñaron condiciones de simulación para recopilar datos de degradación. Los experimentos demuestran que el marco propuesto puede reconstruir las curvas de voltaje de carga y lograr una estimación precisa del estado de salud. Además, los resultados de prueba en condiciones de datos incompletos indican que las curvas de voltaje reconstruidas pueden proporcionar información útil para la estimación en línea del estado de salud en aplicaciones de gestión de baterías.

Batería de iones de litio;Inteligencia artificial generativa;Estimación del estado de salud;Datos incompletos;Reconstrucción del voltaje