双极铅酸电池相较于传统阀控式铅酸电池展现出显著优势，包括结构更加紧凑、电流路径更短、活性物质利用率更高以及功率密度更大。由于正极和负极分别位于双极基板的两侧，电子可直接传输至相邻电芯，无需依赖耳片、连接带和桩柱等外部电路元件。

发表于《化学科学与工程前沿》的一项研究提出了一种评估此类先进电池健康状态的新方法。研究团队采用熔融丝材制造技术制作丙烯腈 - 丁二烯 - 苯乙烯组件，成功制备了六款 6V 双极铅酸电池原型机。点焊多层铅箔被用作双极基板，用于粘贴正负极活性材料。

电池在 25 摄氏度环境下进行循环测试，以 0.3 安培电流充电和放电，直至达到 5.25 伏截止电压。该过程反复进行，直至电池健康状态（SOH）降至 60% 以下。研究利用部分充电曲线提取了三项健康特征参数：基于 6.45 伏至 6.70 伏电压 - 时间曲线计算的局部电压面积；量化顺序电压数据不确定性的样本熵；以及测量复杂度的模糊熵。灰色关联分析结果证实，所有参数与电池健康状况高度相关，关联度均超过 0.83。

该混合估算框架整合了 Lasso 回归与支持向量回归作为第一级模型，其输出结果组合后作为第二级模型的输入。第二级模型为由灰狼算法优化的随机森林回归模型。灰狼优化器对包括树的数量、最大深度及节点分裂最小样本数在内的超参数进行了精细调优。混合模型采用了两组健康特征组合：“局部电压面积与模糊熵”以及“局部电压面积与样本熵”。训练数据来源于 BLAB01 至 BLAB04 号电池，测试数据则来自 BLAB05 和 BLAB06 号电池。

针对“局部电压面积与模糊熵”的组合，混合模型的平均绝对误差低于 1.02%，平均均方根误差低于 1.5%。尽管存在不规则偏差，相对误差值仍控制在 6.2% 以内，其中 88% 的数值低于 3.5%。该混合模型与高斯过程回归、深度神经网络、循环神经网络及长短期记忆网络模型进行了对比，整体性能略胜一筹。在利用初始训练数据的 50% 至 70% 进行长期估算时，随着训练数据量的增加，均方根误差从 2.08% 下降至 1.27%。

此项研究证实，基于灰狼优化的混合回归框架能够仅利用部分充电曲线，为双极铅酸电池提供准确的健康状态估算，从而实现电池的及时更换或预防性维护。