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与西安交通大学教授冯江涛合作，开发了一种新型两阶段联邦迁移学习框架，有效解决了快充电池健康状态（SOH）预测中的数据不足和个性化建模难题，为快充电池SOH预测提供了新思路。相关研究成果近日发表于《电气电子工程师学会交通电气化学报》。
健康状态的准确预测对于电动汽车电池管理至关重要。然而，在实际应用中，基于快充片段准确估计电池SOH面临两大挑战：一是由于隐私保护要求，单个电池的训练数据有限；二是不同电池的充放电行为不同，需要建立个性化的预测模型。
研究团队提出了一种两阶段联邦迁移学习框架：在第一阶段，采用联邦迁移学习框架，使多个分布式电池通过共享模型参数协作训练全局模型，既可以学习通用知识又保护了数据隐私；在第二阶段，利用目标电池的少量本地数据对该全局模型进行微调，建立捕获个体电池特征的个性化模型。联邦迁移学习框架构建在轻量级卷积神经网络上，并通过有效的通道注意机制提升了其性能。实验结果表明，该框架在公共快充电池数据集上的预测性能优于传统方法。
联邦迁移学习框架作为团队开发的第二代电池数字大脑PBSRD Digit核心模型，为电池智能化管理提供了有效解决方案。此外，团队还基于该框架为双登集团开发了储能领域垂直智能客服系统，助力储能行业的智能化发展。
相关论文信息：https://doi.org/10.1109/TTE.2025.3594553
（原载于《中国科学报》 2025-08-20 第4版 综合）
