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国际能源领域学术期刊《Applied Energy》(新锐分区大类1区，IF=12.2)发表题为《State-of-health estimation of lithium-ion batteries from random local charging fragments: A reliability-aware local-global fusion framework》的研究论文，我校为第一完成单位。论文第一作者为2024级储能科学与工程本科生张传浦，2023级储能科学与工程本科生曹清浩为第二作者，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）的准确评估关乎安全运行与寿命管理。然而，实际充电的起止电压、时长及工况具有随机性，难以持续获得完整或固定区间的充电曲线。不同局部片段包含的退化信息也不相同，如何评估其诊断价值并提高SOH估计的可靠性，是亟待解决的问题。
针对这一问题，研究团队提出可靠性感知的局部—全局融合框架RLCF-Net（Random Local Charging Fragment Network），将随机局部充电片段视为可靠性存在差异的健康观测。研究基于训练数据，从健康预测关联、老化响应、局部电荷活性和观测覆盖率等方面筛选母电压区间；模型联合提取局部Q(V)电荷响应、电压位置与缺失区域信息，以及温度、充电倍率等特征，实现单片段SOH估计。对于多个可用片段，依据不同电压跨度和位置在验证数据上的历史误差确定可靠性权重，进行加权融合。
研究的创新在于不将所有局部充电片段视为等价观测，而是识别不同电压跨度和位置所带来的诊断可靠性差异。模型结合电荷响应、电压位置及未观测区域信息，并根据经验可靠性权重融合多个片段，使不完整的充电记录成为可评价、可择优利用的健康观测。
研究团队利用121节同济大学实验室锂离子电芯（66节NCA和55节NCM）及20辆商用电动汽车的真实充电记录开展验证。在NCA数据集上，随机单片段估计的循环级RMSE为0.0082；采用0.15 V与0.20 V双片段融合方案（Val-K2）后降至0.003918，且在14节独立测试电芯上均优于单片段方案。在独立训练的NCM数据集上，Val-K2的RMSE为0.002613。真实车辆的车—月级健康指标评估中，双片段方案取得约1.54—1.59个百分点的RMSE，并评估了不完整充电事件下的片段可获得率。此外，单线程CPU上的单、双片段推理耗时分别约为5.1和10.1毫秒，显示出进一步应用于电池管理系统的潜力。
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.apenergy.2026.129134