近日，中国科学院大连化学物理研究所研究员陈忠伟、副研究员毛治宇团队联合西安交通大学教授冯江涛，在电池健康管理领域取得进展。该团队开发了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，解决了传统方法对域间差异和目标数据标签的依赖，为电池实时SOC预估提供了新思路，有望实现电池SOC的精准跨域评估。同时，这一迁移学习框架作是该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。而电池的不一致性和工作条件的变化导致电池跨域分布存在差异。同时，收集足够的且带有标签的目标数据费时费力。
该团队提出了基于对抗域自适应的SOC估计框架。科研人员基于特定工作条件下的离线数据集，构建并训练了特殊设计的SOC估计器，以捕获源域数据与标签之间的映射关系；设计了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；仅基于数量有限且未标记的目标域数据，实现了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，该团队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的跨域评估。
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，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。
