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。
图/中国科学院大连化学物理研究所
来自中国科学院大连化学物理研究所的消息显示，近日，该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。
电池网微信
