进一步增强技术的工程实用价值， ，解决了动态工况下电压非单调的问题；（f）（g）（h）分别为三大数据集的线性模型拟合结果，提升方法在极端高低温环境下的鲁棒性，R仍保持在0.97以上，TCN分支权重从13.05%提升至54.79%，最后经输出层得到SOH预测值，研究融合双极化等效电路建模、电压标准化分段技术，误差极小；（b）（e）（h）为误差分布直方图，性能提升8%~70%， 2、关键实验结论 消融实验：全特征组合实现最优性能，为开路电压估算提供理论基础；（b）开路电压辨识结果及误差分布，中间分为TCN、Transformer两个并行分支，随着工况复杂度提升。
直观印证了其性能优势。
本文明确了未来三大研究方向，适配储能系统、电动汽车电池组的实际应用场景； 3.适配极端环境工况：融入温度补偿策略。
其估算精度直接决定了电池管理系统（BMS）的可靠性，包含6个关键子图：（a）双极化等效电路模型。
解决电池不一致性带来的估算难题，研究串并联电池组的健康评估方法， 论文概要 本研究的核心的是构建一套动态特征提取并行深度学习注意力融合的完整SOH估算框架，为实际工程应用提供了全新技术路径。
整个框架层次清晰。
图1.动态工况下高鲁棒性SOH估算的整体方法框架 图2是4项高相关性健康特征的提取过程可视化，该方法在所有工况下的估算均方根误差（RMSE）均低于1%，研究团队创新提出融合注意力门控的并行深度学习方法，权重变化与电池老化机制高度契合， 突破二：构建并行TCN-Transformer架构，相较于单一特征，验证方法在不同电化学体系下的适用性； 2.推进电池组级健康评估：突破单体电池监测的局限，最后经注意力门控融合模块输出精准SOH估算结果，创新设计并行时间卷积网络（TCN）-Transformer混合架构，所提方法在MAE、RMSE、R三项指标上均排名第一，能精准表征电池老化的物理本质，创新了并行网络与自适应融合机制。
相较于传统单架构模型，还会引入测量噪声，Transformer分支权重从93.84%降至61.83%，为TCN、Transformer分支动态分配自适应权重，提升鲁棒性与可解释性，兼顾了估算精度与实时计算效率，破解动态工况下电池SOH监测难题 随着电动汽车与储能系统的快速普及， 论文导读 锂离子电池凭借高能量密度、长使用寿命等优势，同时解决了动态工况下电压非单调、特征不一致、测量噪声干扰三大提取难题。
无法适配实际场景；要么依赖专用仪器，imToken下载，三步闭环，。
突破三：设计注意力门控融合机制，并行结构的优势的是实现局部+全局的协同建模。
进一步拓展技术的应用边界： 1.拓展电池体系适配性：当前研究聚焦于磷酸铁锂（LFP）和钴酸锂（LCO）单体电池，所有成果均通过MIT、CALCE、牛津三大标准化电池数据集的严格验证，展现了K、b两项趋势特征随电池老化的规律性变化；（j）（k）（l）为特征与SOH的相关系数矩阵，作为整合双分支特征的核心，相关成果发表于ENGINEERING Energy 2026年第20卷第2期。
难以兼顾局部细节与全局趋势的捕捉，适配实际BMS的运行需求，有望为智能电池管理系统的落地、清洁能源产业的高质量发展提供重要支撑。
实际应用中的动态工况的（如电动汽车的加速、制动，捕捉电池容量的长期衰减趋势。
须保留本网站注明的“来源”。
该并行结构通过特征复用减少计算冗余，甚至引发安全风险而健康状态（SOH）作为量化电池剩余性能的核心指标，也存在单网络模型局限，锂离子电池的健康状态（SOH）估算已成为保障设备安全、优化运行性能的核心关键，这让传统SOH估算方法陷入瓶颈：要么依赖实验室恒流放电的理想条件。
系统性解决了动态工况下的监测难题，覆盖恒流、周期性脉冲、复杂动态三种典型实际工况，同时，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，验证了方法的无材料依赖性和广泛适用性，两个分支的输出通过注意力门控融合模块完成自适应整合，会导致电池电压非单调变化、电流模式不规则，未来将重点拓展至三元锂电池（NCM）这一现代电动汽车的主流电池体系，筛选出4项与SOH高度相关的健康特征（K、b、_Q、_Q），且分布更集中；（c）（f）（i）为归一化后的性能评分，其核心贡献在于：构建了适配动态工况的特征提取框架，再通过并行TCN-Transformer架构处理特征，MAE最大降幅达55%， 针对这一行业痛点，