科研人员提出预测电池健康状态的新深度学习框架

近日，中国科学院大连化学物理研究所研究员陈忠伟与副研究员毛治宇团队，联合西安交通大学教授冯江涛，在电池健康管理方面取得进展。合作团队开发了新型两阶段联邦迁移学习框架，解决了快充电池健康状态预测中的数据不足和个性化建模难题，为快充电池健康状态预测提供了新思路。

电池健康状态的准确预测对电动汽车电池管理至关重要。在实际应用中，快充片段准确预测电池健康状态面临两个挑战：一是由于隐私保护要求，单个电池的训练数据有限；二是不同电池的充放电行为不同，需要建立个性化预测模型。

该团队提出了两阶段联邦迁移学习框架。第一阶段采用联邦迁移学习框架，使多个分布式电池通过共享模型参数，协作训练全局模型，既可以学习通用知识又能够保护数据隐私；在第二阶段，通过目标电池的少量本地数据对这一全局模型进行微调，建立捕获个体电池特征的个性化模型。联邦迁移学习框架构建在轻量级卷积神经网络上，并通过有效的通道注意机制提升了性能。实验结果表明，该框架在公共快充电池数据集上的预测性能优于传统方法。

联邦迁移学习框架作为团队开发的第二代电池数字大脑PBSRD Digit的核心模型，为电池智能化管理提供了解决方案。同时，团队基于该框架开发了储能领域垂直智能客服系统，助力储能行业的智能化发展。

相关研究成果发表在《IEEE交通电气化汇刊》（IEEE Transactions on Transportation Electrification）上。研究工作得到国家自然科学基金和中国科学院战略性先导科技专项（B类）等的支持。

科研人员提出预测电池健康状态的新深度学习框架