基于迁移学习的变环境温度锂离子电池荷电状态估计

准确可靠的荷电状态（SoC）估计对于为锂离子电池（LiBs）供电设备提供稳定高效的环境日益重要。大多数数据驱动的SoC模型针对固定环境温度构建，忽视了LiBs对温度的高敏感性，可能导致严重预测误差。然而，温度对SoC估计影响的系统评估，以及利用有限数据使估计模型快速适应新温度的方法鲜有讨论。为应对这些挑战，提出一种新颖的SoC估计方法，通过利用测量的时间动态并迁移不同温度间一致的估计能力。首先，使用典型变量分析提取由过去波动与未来运动间相关性表示的时间动态。接着，基于时间动态开发两个模型，包括参考SoC估计模型和估计能力监测模型。监测模型为定量评估温度对SoC估计能力的影响提供途径。之后，一旦检测到参考SoC估计模型能力不足，便选择温度间一致的时间动态进行迁移学习。最后，通过基准测试验证了所提方法的有效性。所提方法不仅降低了固定温度下的预测误差（如-20{\deg}C降低24.35%，25{\deg}C降低49.82%），还提高了新温度下的预测精度。