【儀表網(wǎng) 研發(fā)快訊】近日，大連化學物理研究所能源催化轉(zhuǎn)化全國重點實驗室動力電池與系統(tǒng)研究部(DNL29)陳忠偉院士、毛治宇副研究員團隊聯(lián)合西安交通大學馮江濤教授，在電池健康管理領域取得新進展。合作團隊開發(fā)了一種新型的基于無監(jiān)督域自適應的電池荷電狀態(tài)(SOC)跨域預測框架，有效地解決了傳統(tǒng)方法對于域間差異和目標數(shù)據(jù)標簽的依賴，為電池實時SOC預估提供了新的思路，有望實現(xiàn)電池SOC的精準跨域評估。同時，該遷移學習框架作為團隊開發(fā)的第一代電池數(shù)字大腦PBSRD Digit核心模型的重要組成部分，可成為電池智能管理的解決方案之一。
 

　　鋰電池SOC的準確預測對于電氣設備的正常運行至關重要。然而，電池的不一致性和工作條件的變化導致了電池跨域分布存在著明顯的差異。此外，收集足夠的且?guī)в袠撕灥哪繕藬?shù)據(jù)也費時費力。
 

　　為了解決以上問題，團隊提出了一種基于對抗域自適應的SOC估計框架。首先，科研人員基于特定工作條件下的離線數(shù)據(jù)集，構(gòu)建并訓練一個特殊設計的SOC估計器，用來捕獲源域數(shù)據(jù)與標簽之間的映射關系；其次，設計了一個帶有重構(gòu)模塊和最大均值差異約束的對抗網(wǎng)絡，提取域不變特征，減小域間分布差異；因此，僅基于數(shù)量有限且未標記的目標域數(shù)據(jù)，預訓練模型可被遷移至不同的電池工作條件。實驗結(jié)果表明，在固定環(huán)境溫度、動態(tài)變化環(huán)境溫度和電池類型改變的條件下，所提出的遷移框架的最佳跨域誤差分別為1.33%、2.57%和1.45%，表明該框架有望實現(xiàn)電池SOC的精確跨域評估。
 

　　近年來，陳忠偉團隊一直致力于推動人工智能與能源電催化技術的融合，構(gòu)建了人工智能與電化學相結(jié)合的研究體系。團隊在“高性能材料篩選與設計”(Joule，2021；Adv. Mater.，2022；Chem. Soc. Rev.，2020)、“高通量智能研發(fā)平臺”和“智能系統(tǒng)集成管理”(Appl. Energy，2024；IEEE Trans. Transp. Electrification，2024；World Electr. Veh. J.，2022；J. Electrochem. Soc.，2019)等領域取得系列進展，是人工智能驅(qū)動電化學科學研究創(chuàng)新(AI for Science)和人工智能推動新能源工程應用創(chuàng)新(AI for Engineering)的有力體現(xiàn)。
 

　　相關研究成果以“An unsupervised domain adaptation framework for cross-conditions state of charge estimation of lithium-ion batteries”為題，于近日發(fā)表在《電氣電子工程師學會交通電氣化學報》(IEEE Transactions on Transportation Electrification)上。該工作的第一作者是我所DNL29博士后劉云鵬，該工作得到國家自然科學基金、中國科學院B類先導專項“能源電催化的動態(tài)解析與智能設計”、中央高?；究蒲袠I(yè)務費專項科研基金等項目的資助。(文/圖 劉云鵬)