近日，华南师范大学材料与新能源学院汝强老师指导的研究团队在《Journal of Energy Storage》(新锐分区大类2区，IF=10.7)发表题为《Robust battery state-of-health estimation from two-stage constant-current–constant-voltage charging records using physics-inspired learning》的研究论文，我校为第一完成单位。论文第一作者为2023级储能科学与工程本科生曹清浩，2024级储能科学与工程本科生张传浦为第二作者，汝强老师为通讯作者。
锂离子电池广泛应用于新能源汽车和规模化储能系统，其健康状态（SOH）的准确评估关系到安全运行与寿命管理。然而，实际电池管理系统主要记录日常充电过程中的电流、电压和时间，电化学阻抗谱等专业诊断数据难以持续获得。如何仅依靠常规恒流—恒压充电记录，实现准确、稳定且物理合理的SOH估计，是电池智能诊断的重要问题。
针对这一问题，研究团队提出物理启发式电池健康估计模型MambaPhysX。该模型基于Mamba时序建模框架，融合充电曲线的动态变化、周期统计特征与健康退化轨迹约束，利用日常充电记录推断电池健康状态。
研究团队将恒流—恒压（CCCV）充电记录分阶段对齐并重采样，通过Mamba网络提取长程时序特征，同时构建15维统计描述符补充退化信息。模型联合两类特征进行SOH估计，并引入目标平滑与软单调约束，在保留老化趋势的同时减少不合理的短时波动。
研究的创新在于兼顾充电信号的短时动态与电池健康的长期演化：通过时序模型提取动态特征，结合统计信息和轨迹约束增强跨循环估计的连贯性。整个过程仅依赖常规CCCV充电记录，无需额外开展专业诊断。
研究团队在NASA、CALCE和XJTU三个公开锂离子电池数据集上开展验证。结果表明，相较于主流时序预测模型，MambaPhysX在预测精度和轨迹稳定性方面表现更优。在最具挑战性的电芯样本上，RMSE和MAE分别降至0.11%和0.09%，决定系数R²最高提升0.45；在寿命末期容量骤降等复杂场景下，仍能较好追踪老化趋势。模型参数量约67万，GPU单样本推理延迟低于1毫秒，体现出在电池管理系统中开展低成本健康监测的应用潜力。
相关工作获广东省基础与应用基础研究基金、汕尾市科技计划项目、华南师范大学大学生创新训练计划项目、广东大学生科技创新培育专项资金“攀登计划”项目及华南师范大学研究生院科研创新项目支持。
论文链接：https://doi.org/10.1016/j.est.2026.122619