近期，能源领域的国际知名期刊《Energy》刊登工程机械学院博士生王桥的学术成果“分层场景下基于深度卷积神经网络的锂离子电池荷电状态闭环估计”（Deep convolutional neural network based closed-loop SOC estimation for lithium-ion batteries in hierarchicalscenarios）。该研究得到了中央高校优博计划（300102252710）资助。《Energy》期刊由英国佩加蒙爱思唯尔科学有限公司出版，是能源领域内最具影响力和权威的期刊之一，该刊目前中科院分区一区大类TOP期刊，JCR分区一区期刊，影响因子为8.857。王桥2022年获批国家公派留学奖学金将赴亚琛工业大学电力电子与电气驱动实验室（ISEA）进行联合培养，该实验室为相关领域全球最具权威性的实验室之一，王桥为论文第一作者，工程机械学院叶敏教授为通讯作者，九州平台(中国)官方网站IOS/安卓通用版/手机APP下载为第一署名单位。
锂离子电池是能源脱碳的基石，其促进了交通领域的电气智能化，并可实现大量的可再生能源储存。不同应用场景中的电池类型变化和传感器测量噪声会显著限制荷电状态（SOC）估计的准确性和鲁棒性。为了开发适用于不同场景的通用SOC估计器，本研究提出了一种基于深度卷积神经网络（DCNN）的闭环应用框架。首先，提出了一种二维卷积神经网络（CNN）方法，基于卷积运算和平均池化提取采样数据的特征，以训练一个模型尺寸较小的预训练模型。随后，采用迁移学习和模型剪枝来帮助预训练模型快速适应不同的分层场景。最后，为了提高低精度传感器测量下的SOC估计鲁棒性，利用DCNN建立SOC与卡尔曼滤波器测量方程之间的联系，以此实现了SOC估计的闭环应用。大量的实验结果验证了所提框架的有效性，包括不同类型和不同老化状态下的电池实验测试。结果表明，通过对底层少量的模型参数进行微调，可以获得小于2.47%的均方根误差（RMSE）。并在多个分层场景中展示了所提出方法的鲁棒性，所提方法在严重外界干扰下依然可以保持低于1.78%的RMSE。
（审稿：李勉 网络编辑：韩月）
陕公网安备 61011302000162号