健康狀態的準確預測對于電動汽車電池管理至關重要。然而，在實際應用中，基于快充片段準確估計電池SOH面臨兩大挑戰：一是由于隱私保護要求，單個電池的訓練數據有限；二是不同電池的充放電行為不同，需要建立個性化的預測模型。
 

　　在本工作中，合作團隊提出了一種兩階段聯邦遷移學習框架。在第一階段采用聯邦遷移學習框架，使多個分布式電池通過共享模型參數，協作訓練全局模型，既可以學習通用知識又保護了數據隱私；在第二階段，利用目標電池的少量本地數據對該全局模型進行微調，建立捕獲個體電池特征的個性化模型。聯邦遷移學習框架構建在輕量級卷積神經網絡上，并通過有效的通道注意機制提升了其性能。實驗結果表明，該框架在公共快充電池數據集上的預測性能優于傳統方法。
 

　　聯邦遷移學習框架作為團隊開發的第二代電池數字大腦PBSRD Digit核心模型，為電池智能化管理提供了有效解決方案。此外，團隊還基于該框架為雙登集團開發了儲能領域垂直智能客服系統，助力儲能行業的智能化發展。
 

　　近年來，陳忠偉團隊致力于推動人工智能與能源電催化技術的融合，構建了人工智能與電化學相結合的研究體系。團隊在“高性能材料篩選與設計”(Joule，2021；Adv. Mater.，2022；Chem. Soc. Rev.，2020)、“高通量智能研發平臺”和“智能系統集成管理”(IEEE Trans. Transp. Electrification，2024；IEEE Trans. Transp. Electrification，2024；Appl. Energy，2024；Batteries，2024；World Electr. Veh. J.，2022；J. Electrochem. Soc.，2019)等領域取得系列進展，展現了人工智能驅動電化學科學研究創新和人工智能推動新能源工程應用創新在實際應用中的潛力。
 

　　相關研究成果以“A federated transfer learning framework for lithium-ion battery state of health estimation based on fast-charging segments”為題，于近日發表在《電氣電子工程師學會交通電氣化學報》(IEEE Transactions on Transportation Electrification)上。該工作的第一作者是我所DNL29博士后劉云鵬，該工作得到國家自然科學基金、中國科學院B類先導專項“能源電催化的動態解析與智能設計”、中央高校基本科研業務費專項資金等項目的資助。