近期，能源領域的國際知名期刊《Energy》刊登工程機械學院博士生王橋的學術成果“分層場景下基于深度卷積神經網絡的鋰離子電池荷電狀態閉環估計”（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博計劃（300102252710）資助。《Energy》期刊由英國佩加蒙愛思唯爾科學有限公司出版，是能源領域內最具影響力和權威的期刊之一，該刊目前中科院分區一區大類TOP期刊，JCR分區一區期刊，影響因子為8.857。王橋2022年獲批國家公派留學獎學金將赴亞琛工業大學電力電子與電氣驅動實驗室（ISEA）進行聯合培養，該實驗室為相關領域全球最具權威性的實驗室之一，王橋為論文第一作者，工程機械學院葉敏教授為通訊作者，長安大學為第一署名單位。

鋰離子電池是能源脫碳的基石，其促進了交通領域的電氣智能化，并可實現大量的可再生能源儲存。不同應用場景中的電池類型變化和傳感器測量噪聲會顯著限制荷電狀態（SOC）估計的準確性和魯棒性。為了開發適用于不同場景的通用SOC估計器，本研究提出了一種基于深度卷積神經網絡（DCNN）的閉環應用框架。首先，提出了一種二維卷積神經網絡（CNN）方法，基于卷積運算和平均池化提取采樣數據的特征，以訓練一個模型尺寸較小的預訓練模型。隨后，采用遷移學習和模型剪枝來幫助預訓練模型快速適應不同的分層場景。最后，為了提高低精度傳感器測量下的SOC估計魯棒性，利用DCNN建立SOC與卡爾曼濾波器測量方程之間的聯系，以此實現了SOC估計的閉環應用。大量的實驗結果驗證了所提框架的有效性，包括不同類型和不同老化狀態下的電池實驗測試。結果表明，通過對底層少量的模型參數進行微調，可以獲得小于2.47%的均方根誤差（RMSE）。并在多個分層場景中展示了所提出方法的魯棒性，所提方法在嚴重外界干擾下依然可以保持低于1.78%的RMSE。

（審稿：李勉  網絡編輯：韓月）