大连化学物理研究所开发出新型深度学习框架应用于电池荷电状态跨域预测
- 2024/11/6 9:06:46 15163
- 来源:大连化学物理研究所
【仪表网 研发快讯】近日,大连化学物理研究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基于无监督域自适应的电池荷电状态(SOC)跨域预测框架,有效地解决了传统方法对于域间差异和目标数据标签的依赖,为电池实时SOC预估提供了新的思路,有望实现电池SOC的精准跨域评估。同时,该迁移学习框架作为团队开发的第一代电池数字大脑PBSRD Digit核心模型的重要组成部分,可成为电池智能管理的解决方案之一。
锂电池SOC的准确预测对于电气设备的正常运行至关重要。然而,电池的不一致性和工作条件的变化导致了电池跨域分布存在着明显的差异。此外,收集足够的且带有标签的目标数据也费时费力。
为了解决以上问题,团队提出了一种基于对抗域自适应的SOC估计框架。首先,科研人员基于特定工作条件下的离线数据集,构建并训练一个特殊设计的SOC估计器,用来捕获源域数据与标签之间的映射关系;其次,设计了一个带有重构模块和最大均值差异约束的对抗网络,提取域不变特征,减小域间分布差异;因此,仅基于数量有限且未标记的目标域数据,预训练模型可被迁移至不同的电池工作条件。实验结果表明,在固定环境温度、动态变化环境温度和电池类型改变的条件下,所提出的迁移框架的最佳跨域误差分别为1.33%、2.57%和1.45%,表明该框架有望实现电池SOC的精确跨域评估。
近年来,陈忠伟团队一直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”(Appl. Energy,2024;IEEE Trans. Transp. Electrification,2024;World Electr. Veh. J.,2022;J. Electrochem. Soc.,2019)等领域取得系列进展,是人工智能驱动电化学科学研究创新(AI for Science)和人工智能推动新能源工程应用创新(AI for Engineering)的有力体现。
相关研究成果以“An unsupervised domain adaptation framework for cross-conditions state of charge estimation of lithium-ion batteries”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科研基金等项目的资助。(文/图 刘云鹏)
全部评论