针对现实世界电动公交车充电段的锂电池组健康状态（SOH）稳健估计

准确估计电池组的健康状态（SOH）对于纯电动公交车电池的及时维护和有效再利用至关重要，这在现代公共交通中发挥着重要作用。然而，现实世界中的SOH估计面临着由于电池单元之间不一致性和充放电深度变化带来的重大挑战。基于来自电动公交车的大量运行数据，提出了一种新颖的SOH标签校准方法，构成了稳健SOH估计框架的基础。首先，使用应用于充电数据的安培小时积分公式的变体对电池组的SOH进行标记，并通过对连续30个充放电周期进行均值滤波来减少误差影响。然后，对充电数据进行重采样，以标准化段长度，并固定为100个时域采样点。接下来，采用卷积神经网络自动提取充电数据的特征，而神经网络将这些特征映射到电池组的SOH。与现有方法不同，所提出的方法适应不同持续时间的充电会话，并能够对电动公交车电池组进行稳健的SOH估计，而无需手动提取健康特征。该方法使用来自三种不同类型电动公交车的近四年的运行数据进行了验证。通过交叉验证，方法显示出高精度，在超过80%的循环案例中，绝对误差低于3%。在三种类型的九辆公交车中，SOH估计的整体平均绝对误差为1.585%，确认了其稳健性和适用性.