近日，我校汽车与交通工程学院车辆工程系新能源动力系统智能管理与控制团队在动力电池健康状态估计研究领域取得新进展，相关研究成果“Data-Driven Transfer-Stacking based State of Health Estimation for lithium-Ion Batteries”在自动化与控制系统领域的TOP期刊《IEEE Transactions on Industrial Electronics》上在线发表，我校武骥老师为第一作者，中国科学院福建物质结构研究所林名强副研究员为通讯作者，西安交通大学孟锦豪副研究员、南京工程学院彭纪昌老师为合作作者。该项研究得到了国家自然科学基金、安徽省科协青年科技人才托举计划试点项目、合肥工业大学学术新人提升B计划项目等经费支持。
锂离子电池的健康状态（State of Health, SOH）可以帮助我们正确地判断电池的老化程度，这对电动汽车的安全可靠运行起着至关重要的作用。然而目前SOH估计方法研究存在以下两个方面的问题：第一是SOH估计方法需要大量的电池老化数据，很难利用少量的电池数据去建立准确的模型；第二是现有的机器学习方法研究难以保证数据驱动模型的泛化能力，即大多数研究都是针对单个电池建立专门的老化模型，没有考虑电池之间的差异性。针对这两个问题，团队尝试结合支持向量回归方法（Support Vector Regression, SVR）和迁移堆叠方法（Transfer Stacking, TS），开展了具有强泛化性能的动力电池健康状态估计方法研究。
团队首先从电池老化数据中提取潜在的健康特征，并利用决策树中的节点不纯度函数，对特征进行筛选，保留了与电池老化有着强相关性的特征。其次，利用支持向量回归方法和迁移堆叠方法对多个电池进行堆叠建模，并通过权重优化函数对堆叠中的模型进行权重分配，进而得到了最终的迁移堆叠模型。最后，所提出的模型在三组电池数据上进行了验证，结果表明团队所提的方法通过代入少量数据便可实现准确的SOH估计。下图为来自美国宇航局随机工况（Random Walk, RW）电池的SOH估计曲线和误差分布。通过对比五种方法的实验结果，可以看出团队所提出的TS-SVR方法有着最优秀的性能。
近年来，依托安徽省智慧交通车路协同工程研究中心，新能源动力系统智能管理与控制团队面向车辆和新能源领域的实际需求，针对电池系统建模仿真、状态估计和优化管理的科学与技术问题开展研究工作，并取得了一系列的研究成果（TPEL.2021.3075558、TEC.2021.3137423、JESTPE.2022.3177451、j.ress.2022.108978、j.energy.2022.125380、j.energy.2022.126307、j.energy.2023.126706、TIM.2023.3239629、TIE.2023.3247735），为我校车辆工程专业、新能源科学与工程专业的建设和发展提供有力支撑。
