汪玉洁

合肥工业大学电气与自动化工程学院

摘要(Abstract)：

双碳目标下，电化学储能成为新型电力系统源网荷储协同运行、新能源消纳、电网安全稳定调控的核心支撑载体，储能电池健康状态（StateofHealth,SOH）精准预测是保障储能电站安全长效运行、提升电池梯次利用效率、规避热失控风险的核心技术基础。当前人工智能与机器学习技术已广泛应用于储能电池SOH预测领域，相较于传统等效电路模型、电化学机理模型，数据驱动预测模型具备适配性强、建模难度低、预测精度高的突出优势，但现有研究多聚焦于确定性点估计精度优化，普遍忽视电池老化过程、工况扰动、模型偏差、数据噪声引发的多重不确定性问题。单一确定性预测结果缺乏置信度支撑，无法量化预测偏差与风险边界，难以适配储能电站运维决策、安全预警、寿命管理的工程可信性需求，导致智能预测模型存在“精度虚高、泛化性差、落地受限”的行业痛点。为破解AI驱动电池健康预测的可信性瓶颈，本文系统开展储能电池SOH预测不确定性量化与可信机器学习理论研究，首先界定电池健康预测的不确定性来源与分类体系，剖析确定性点估计方法在工程风险评估中的底层局限，阐明行业从“高精度数值估计”向“高可信风险诊断”的范式演进逻辑；其次构建四大类不确定性量化核心方法体系，系统阐述贝叶斯概率预测、集成学习区间预测、共形预测分布自由量化、能量建模异常感知度量的理论原理、技术路径与适配场景；进一步搭建可信机器学习完整理论框架，深入分析概率校准、物理一致性约束、可解释性协同、工程部署约束四大核心实践体系的作用机制与优化逻辑；最后总结全文研究体系，展望未来可信电池健康预测技术的迭代方向与工程落地路径。研究旨在完善储能电池智能健康预测的不确定性量化理论体系，破解数据驱动模型不可解释、不可信、风险不可控的核心难题，为高可信、高鲁棒、可落地的储能电池健康管理系统研发提供理论支撑与技术参考，推动储能电池AI预测技术从实验室精度验证走向工程化可信应用。

关键词(KeyWords)：储能电池；健康状态预测；人工智能；不确定性量化；可信机器学习；概率校准；物理一致性约束

参考文献(References)：