一、SOH：电池健康的“体检报告”
SOH全称为State of Health，即电池健康度，是衡量电池当前容量与出厂容量比值的核心指标。- 典型判定标准：SOH高于80%视为健康，70%-80%建议考虑更换，低于70%则需立即更换。- 核心影响因素：包括内阻升高、电芯电压一致性、温度一致性及自放电率。- 实测难题：传统SOH估算依赖破坏性试验（如观测锂离子损失、材料塌陷），但实际应用中只能通过电压、电流、温度等外部参数来估算。
二、新国标落地：从“各说各话”到“统一标尺”
自2026年7月1日起，工信部编制的GB/T 46991.1-2025《电动汽车车载动力电池耐久性要求及试验方法第1部分：轻型汽车》正式实施。- 统一指标SOCE：新标准用电池可用能量状态SOCE代替以往五花八门的健康度描述。SOCE = 当前实际可用能量 / 新车出厂标定能量 × 100%。- 可见且可信：车企须在车机、手机APP上向车主展示SOCE数值，且显示值与实测值误差不超过5%。- 最低性能红线MPR：在5年/10万公里、8年/16万公里、10年/20万公里三个节点设定差异化耐久底线，为售后维权提供明确依据。
三、系统性特征工程：数据如何“看懂”电池
精准预测SOH离不开一套完整的特征工程体系，其核心是从海量运行数据中提取能反映电池状态的关键特征。- 特征来源：主要来自电池管理系统BMS实时采集的电压、电流、温度数据，以及充放电过程中的容量循环与正常老化循环数据。- 云端与车端协同：云端接收低频运行数据（1-10秒一帧），训练自编码器建立“健康基线”；车端则对高频信号（10-100Hz）进行编码压缩，提取瞬态波动的特征向量，再上传至云端补充细节。- 数据驱动的AI模型：基于长短时记忆LSTM递归神经网络等深度学习架构，可同时预测电压、温度、SOC等多参数，实现高精度SOH预估。最新研究将特征分析与V-PSA-LSTM结合，进一步提升了预测准确性。
四、数据驱动如何赋能车主与行业
系统性特征工程与数据驱动不仅提升了预测精度，更直接转化为用户体验提升和产业价值。- 提升预测精度：采用V-PSA-LSTM等模型，通过捕捉电池老化过程中的非线性特征，在复杂工况下仍能维持高准确率。- 促进电池梯次利用：高精度SOH数据为二手电动车估值、电池回收与储能梯次利用提供了可靠依据。- 支撑闭环更新：车企通过车端模型持续上传低频数据与压缩后的高频特征，云端利用故障样本迭代训练，再轻量化下发至车端，形成持续进化的预警体系。
