人工智能、机器学习、新能源（新能源汽车/动力电池）、储能
（1）立项原因： 锂电池在长期充放电循环中会不可逆地老化，其健康状态（SOH）与荷电状态（SOC）无法直接测量，传统安时积分、开路电压标定等方法精度低、耗时长、依赖静置，难以满足实时在线监测与安全预警需求。本项目旨在通过人工智能手段，仅利用可采集的充放电电压、电流、温度、容量等数据，实现 SOC/SOH 的高精度无感估计，解决电池"测不准、估不准、预警晚"的痛点。
（2）行业场景与业务背景： 项目面向新能源汽车、电动公交、储能电站等动力电池应用场景。电池管理系统（BMS）需实时掌握荷电状态以保障续航与安全，掌握健康状态以支撑梯次利用与退役评估。2024 年全球锂电池出货量已达 1545.1 GWh、储能领域同比增长 64.9%，电池生产环节的化成后自放电检测又占据近三分之二生产周期，因此高精度、低成本、可在线部署的电池状态估计方案已成为行业迫切需求。
本项目围绕锂电池状态智能估计构建了五大算法功能模块：
① 数据预处理与特征工程模块 —— 对充放电电压、电流、温度、容量曲线进行清洗、归一化与特征提取，内置基于模糊信息测度的 SOC 特征选择（DMRCmRC）与基于小波变换（DTCWT）的多尺度特征编码。
② SOH 健康状态估计模块 —— 集成物理信息神经网络（EM-PINN）、小波卷积编码可变形 Transformer（WCED-Trans）、多尺度视觉 Transformer（MVIP-Trans）等多种深度学习模型，基于容量衰减曲线实现 SOH 精确估计与剩余寿命预测，MAPE 可低至 0.873%。
③ SOC 荷电状态估计模块 —— 基于变分模态分解（VMD）与等效电路模型的 SOC-OCV 解耦在线联合估计，SOC 误差优于 1%、SOH 绝对误差约 0.86%。
④ 自放电快速检测模块 —— 基于化成阶段的充放电数据 + 无监督聚类（K-means + t-SNE）+ 迁移学习，预测 28 天开路电压跌落，大幅缩短电池生产静置周期。
⑤ 结果可视化与可解释性模块 —— 输出预测曲线、误差指标（RMSE/MAE/MAPE）及注意力/LRP 热力图，辅助工程人员理解模型决策依据。
（1）我负责的具体任务： 完成电池充放电数据的清洗与特征构建，搭建并训练 WCED-Trans、MVIP-Trans、EM-PINN 等深度学习模型，开展模型评估、误差分析与结果可视化。
（2）技术栈与架构： 基于 Python + PyTorch 构建，采用 CNN-Transformer 混合架构、可变形注意力（DAT）、多尺度卷积注意力（MUSE）与物理信息约束；实验数据采用 CALCE、NASA 公开电池老化数据集。
（3）实现亮点： 将一维充放电时序重塑为二维"图像"输入，用小波变换增强局部特征、用可变形/多尺度注意力增强长程时序建模能力；把 SEI 膜生长的电化学机理以 PDE 损失形式嵌入神经网络，兼顾精度、可解释性与跨数据集泛化。
（4）难点： 小样本下避免过拟合、跨电池/跨工况的域迁移，以及物理约束项与数据损失项的联合优化平衡。
评论