La estimación precisa del estado de salud de las baterías de iones de litio es crucial para garantizar la seguridad y la confiabilidad en la operación. Sin embargo, la mayoría de las investigaciones actuales sobre la estimación del estado de salud asumen la disponibilidad de datos completos de carga, lo que dificulta su aplicación directa en escenarios reales. Las condiciones de carga parcial y las diferencias en la degradación entre celdas individuales plantean dificultades significativas para la estimación en línea del estado de salud. Por ello, este artículo propone un marco secuencial bayesiano mixto de regresión gaussiana variacional mejorado y ponderado por incertidumbre, para mejorar la precisión y robustez de la estimación del estado de salud bajo condiciones de carga parcial, incorporando conjuntamente el conocimiento previo histórico de degradación y curvas de carga incompletas en la modelación. Primero, las características extraídas de la carga parcial y la información histórica de capacidad se modelan probabilísticamente mediante regresión gaussiana variacional secuencial mixta para obtener la predicción de capacidad del ciclo actual y su incertidumbre; posteriormente, una ventana deslizante se utiliza para construir un prior que representa la tendencia histórica de degradación de capacidad a partir de la secuencia de capacidad observada; para lograr la actualización en línea del prior, se propone un método de corrección bayesiana en línea ponderado por incertidumbre. Los experimentos comparativos en dos conjuntos de datos públicos muestran que el marco propuesto supera a los métodos de referencia y presenta un rendimiento de estimación sobresaliente bajo condiciones de carga parcial.

batería de iones de litio; estimación del estado de salud; curvas de carga incompletas; regresión gaussiana variacional secuencial mixta; fusión bayesiana; corrección en línea