在部分数据条件下准确估计健康状态（SOH）和剩余使用寿命（RUL）仍然是实际电池管理系统面临的重大挑战，因为大多数现有方法依赖于完整的充电周期或特定任务的老化指标。为了解决这一局限性，本研究提出了一种基于分段的联合预测框架，该框架利用从部分充电数据中提取的增量容量（d Q /d V）特征。主要贡献在于将统计描述符与电压分箱 d Q /d V 特征相结合，以从不完整测量中捕获老化信息，并将它们整合到基于 XGBoost 的多输出回归模型中，用于同时进行 SOH 和 RUL 估计。所提出的方法在多个锂离子和钠离子电池数据集上得到了验证，展示了跨不同电池化学体系的强大泛化能力。实验结果表明，该模型在 SOH 估计中的平均绝对误差达到 0.219%，R 2 值为 0.985，而 RUL 预测的均方根误差低至 0.888 个循环。平均推理时间仅为 6 ms，表明其适用于实时电池管理应用。消融实验进一步验证了数据滤波、电压分箱和超参数优化的贡献，而 SHapley Additive exPlanations（SHAP）分析表明，电压峰度和中段 d Q /d V 特征是电池老化最具影响力的指标。
Qian et al. (Tue,) 研究了该问题。