近期，能源領(lǐng)域的國(guó)際知名期刊《Energy》刊登工程機(jī)械學(xué)院博士生王橋的學(xué)術(shù)成果“分層場(chǎng)景下基于深度卷積神經(jīng)網(wǎng)絡(luò)的鋰離子電池荷電狀態(tài)閉環(huán)估計(jì)”（Deep convolutional neural network based closed-loop SOC estimation for lithium-ion batteries in hierarchicalscenarios）。該研究得到了中央高校優(yōu)博計(jì)劃（300102252710）資助?！禘nergy》期刊由英國(guó)佩加蒙愛思唯爾科學(xué)有限公司出版，是能源領(lǐng)域內(nèi)最具影響力和權(quán)威的期刊之一，該刊目前中科院分區(qū)一區(qū)大類TOP期刊，JCR分區(qū)一區(qū)期刊，影響因子為8.857。王橋2022年獲批國(guó)家公派留學(xué)獎(jiǎng)學(xué)金將赴亞琛工業(yè)大學(xué)電力電子與電氣驅(qū)動(dòng)實(shí)驗(yàn)室（ISEA）進(jìn)行聯(lián)合培養(yǎng)，該實(shí)驗(yàn)室為相關(guān)領(lǐng)域全球最具權(quán)威性的實(shí)驗(yàn)室之一，王橋?yàn)檎撐牡谝蛔髡?，工程機(jī)械學(xué)院葉敏教授為通訊作者，長(zhǎng)安大學(xué)為第一署名單位。

鋰離子電池是能源脫碳的基石，其促進(jìn)了交通領(lǐng)域的電氣智能化，并可實(shí)現(xiàn)大量的可再生能源儲(chǔ)存。不同應(yīng)用場(chǎng)景中的電池類型變化和傳感器測(cè)量噪聲會(huì)顯著限制荷電狀態(tài)（SOC）估計(jì)的準(zhǔn)確性和魯棒性。為了開發(fā)適用于不同場(chǎng)景的通用SOC估計(jì)器，本研究提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）的閉環(huán)應(yīng)用框架。首先，提出了一種二維卷積神經(jīng)網(wǎng)絡(luò)（CNN）方法，基于卷積運(yùn)算和平均池化提取采樣數(shù)據(jù)的特征，以訓(xùn)練一個(gè)模型尺寸較小的預(yù)訓(xùn)練模型。隨后，采用遷移學(xué)習(xí)和模型剪枝來幫助預(yù)訓(xùn)練模型快速適應(yīng)不同的分層場(chǎng)景。最后，為了提高低精度傳感器測(cè)量下的SOC估計(jì)魯棒性，利用DCNN建立SOC與卡爾曼濾波器測(cè)量方程之間的聯(lián)系，以此實(shí)現(xiàn)了SOC估計(jì)的閉環(huán)應(yīng)用。大量的實(shí)驗(yàn)結(jié)果驗(yàn)證了所提框架的有效性，包括不同類型和不同老化狀態(tài)下的電池實(shí)驗(yàn)測(cè)試。結(jié)果表明，通過對(duì)底層少量的模型參數(shù)進(jìn)行微調(diào)，可以獲得小于2.47%的均方根誤差（RMSE）。并在多個(gè)分層場(chǎng)景中展示了所提出方法的魯棒性，所提方法在嚴(yán)重外界干擾下依然可以保持低于1.78%的RMSE。

（審稿：李勉  網(wǎng)絡(luò)編輯：韓月）