随着电动汽车和储能系统市场需求持续扩大，各类不同结构的锂电池组不断进入应用场景。然而，现有电池健康诊断工具往往需要针对每种新配置重新采集数据并训练模型，导致效率低下。

韩国蔚山科学技术院(UNIST)能源与化学工程系的金东赫教授和崔允锡教授团队近期在《化学工程杂志》上发表研究，提出一种基于Transformer架构的锂电池健康状态估算新方法。该方法无需针对不同电池组配置进行额外训练，即可实现高精度诊断。

电池健康状态反映当前容量相对于出厂初始容量的比例，是判断电池寿命、故障风险乃至爆炸危险的核心指标。研究团队开发的AI模型仅通过电池运行过程中的电压、电流、温度等常规数据，即可自动完成健康状态评估，无需复杂的手工计算。

该模型从充放电循环中提取的62种数据模式中，自主识别出五种关键健康指标。这些指标既对电池剩余寿命高度敏感，又不受电池连接方式(串联或并联)影响。因此，该系统不仅能诊断单节电池，也能准确评估由多节电池组成的模组状态。

实验结果显示，仅基于单节电池数据完成训练的AI模型，能够可靠预测由七节电池并联组成模组的剩余寿命。传统模型因配置差异产生的预测误差(均方根误差)为6.31×10⁻²，而新方法的误差降至1.90×10⁻²，约为原有水平的三分之一。

研究人员解释，传统AI诊断工具难以适配不同电池配置，主要由于内阻、电压不均等因素会引发数据模式的细微偏移。为解决这一问题，团队引入了Transformer注意力机制——一种同样应用于ChatGPT等模型的前沿AI架构。该机制使模型能够聚焦于最具表征意义的数据特征，有效滤除与电池配置相关的干扰信息。

金东赫教授表示：“我们设计AI时，刻意让它自主识别不受连接方式影响的真实健康信号。这样一来，单个通用模型就能稳定诊断不同结构的电池系统。这项技术对电动汽车电池管理、大规模储能、退役电池评估及回收等领域具有应用潜力。”

更多信息：作者：Seojoung Park等人，标题：《基于Transformer的框架，通过探索新的健康指标来估计无配置锂离子电池SoH》，发表于：《化学工程杂志》(2026)。期刊信息：《化学工程杂志》