基于EIS的锂离子电池SOH-RUL联合估计OA

锂离子电池的健康状态(SOH)与剩余可用寿命(RUL)精准估计对储能设备效能与安全至关重要。针对现有基于电化学阻抗谱(EIS)的SOH估计方法中存在的EIS分析方法复杂、工程适用性差等问题,提出一种基于GRN-LSTM-Transformer的联合估计算法。该方法通过斯皮尔曼(Spearman)相关性分析从0.01 Hz~10 kHz的EIS数据中,筛选出0.04~3.16 Hz频段与SOH高度相关的40个阻抗特征;使用卷积神经网络(CNN)提取局部特征,结合Transformer与长短期记忆网络(LSTM)搭建联合估计网络,并引入门控残差网络(GRN)提升非线性处理能力,以SOH=80%为界限判定RUL。在KIT数据集上SOH预测RMSE均小于0.004、在纽扣电池数据集上RMSE均小于0.008,R2均超0.90,相较于LSTM等传统模型,准确度更高,能精准捕捉电池衰减趋势,RUL预测误差更小,为电池SOH-RUL联合估计提供了高效实用的创新方案。