在储能电站运维中，电池SOH评估通常依赖完整充放电循环或离线容量标定，耗时长、对运行安排有干扰。能源AI实验室近期围绕“用部分充电片段估计健康状态”做了一组实验性探索：从BMS历史数据中提取恒流充电阶段的电压—容量曲线，计算增量容量（dQ/dV）特征峰的位置与面积，再与温度、倍率等工况变量一起输入轻量回归模型，避免对完整满充满放数据的依赖。
阶段性进展：
- 在某磷酸铁锂储能电站的试点数据集上，仅使用20%~80% SOC区间的充电片段，SOH估计的RMSE约为2.3%，相比直接使用端电压特征的基线模型下降约1.1个百分点；
- 方法对温度分层做了简单校正，但低温与高倍率叠加场景仍存在偏差，是当前主要误差来源。
下一步计划把倍率与温度作为条件变量引入分段建模，并在边缘侧BMS采集器上验证推理延迟与数据漂移。该探索目前仍处于离线验证阶段，距离替代容量标定还有距离，但为减少标定频次提供了一条可量化的路径。
评论