91社区

锂离子电池健康状态（State of Health, SOH）精准估计是电池管理系统的核心难题，直接关系到储能电站、电动汽车的运行安全与经济效益。传统SOH估计方法往往面临精度不足、泛化能力弱、部署成本高等挑战，难以适应复杂多变的实际工况。因此，发展兼具高精度、强泛化与低成本优势的SOH估计新方法，已成为电池技术领域亟待突破的关键问题。

针对上述难题，本工作提出了一种基于预训练大语言模型的多特征线性估计模型DS-SOH。该模型创新性地将大语言模型的语义理解与逻辑推理能力迁移至电池SOH线性回归任务，通过提取包括恒流充电时间、恒压充电时间在内的六个与电池老化强相关的关键特征，构建了包含参考数据集与泛化验证集的双重评估体系。研究结果表明，在参考数据集测试中，DS-SOH的估计误差（MAE、RMSE、MAX）降低超过13%，拟合优度R²提升0.4%，展现了优越的线性问题处理能力；在模型未见过的泛化验证集上，DS-SOH表现尤为突出，误差降低超过44%，R²提升5.5%，充分证明了其强大的跨电池泛化能力。此外，部署测试显示，即便在无GPU的低算力CPU环境下，DS-SOH仍能高效完成训练与推理，训练时间、启动时间及单次估计时间均满足实际应用需求。这项工作为电池管理系统提供了一种轻量化、高精度且易于部署的解决方案，对推动电池健康状态估计技术的实用化具有重要意义。

相关研究成果以“Multifeature Battery State-of-Health Linear Estimation Based on Low-Cost Pretrained Inference LLM”为题发表在电力电子与车辆技术领域顶级期刊IEEE Transactions on Transportation Electrification（中科院一区TOP，影响因子：8.3）上，研究生赵麒贺为本文独立第一作者，91社区 牟鸣飞副教授为通讯作者。

这项工作得到了国家自然科学基金(No. 52404170, 62103242)等项目的资助。

文章信息：

Multifeature Battery State-of-Health Linear Estimation Based on Low-Cost Pretrained Inference LLM

Zhao Qihe, Li Yunhao, Kong Lingyue, Chang Long, Kou Guiyue and Mu, Mingfei*

DOI: 10.1109/TTE.2025.3623295