近日，我所能源催化转化全国重点实验室动力电池与系统研究部（DNL29）陈忠伟院士、毛治宇副研究员团队，联合西安交通大学冯江涛教授，在电池健康管理领域取得新进展。合作团队开发了一种新型的两阶段联邦迁移学习框架，有效解决了快充电池健康状态（SOH）预测中的数据不足和个性化建模难题，为快充电池SOH预测提供了新思路。
健康状态的准确预测对于电动汽车电池管理至关重要。然而，在实际应用中，基于快充片段准确估计电池SOH面临两大挑战：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，需要建立个性化的预测模型。
在本工作中，合作团队提出了一种两阶段联邦迁移学习框架。在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保护了数据隐私；在第二阶段，利用目标电池的少量本地数据对该全局模型进行微调，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其性能。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核心模型，为电池智能化管理提供了有效解决方案。此外，团队还基于该框架为双登集团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。
近年来，陈忠伟团队致力于推动人工智能与能源电催化技术的融合，构建了人工智能与电化学相结合的研究体系。团队在“高性能材料筛选与设计”（Joule，2021；Adv. Mater.，2022；Chem. Soc. Rev.，2020）、“高通量智能研发平台”和“智能系统集成管理”（IEEE Trans. Transp. Electrification，2024；IEEE Trans. Transp. Electrification，2024；Appl. Energy，2024；Batteries，2024；World Electr. Veh. J.，2022；J. Electrochem. Soc.，2019）等领域取得系列进展，展现了人工智能驱动电化学科学研究创新和人工智能推动新能源工程应用创新在实际应用中的潜力。
相关研究成果以“A federated transfer learning framework for lithium-ion battery state of health estimation based on fast-charging segments”为题，于近日发表在《电气电子工程师学会交通电气化学报》（IEEE Transactions on Transportation Electrification）上。该工作的第一作者是我所DNL29博士后刘云鹏，该工作得到国家自然科学基金、中国科学院B类先导专项“能源电催化的动态解析与智能设计”、中央高校基本科研业务费专项资金等项目的资助。（文/图 刘云鹏）
