研究背景
近年来，锂离子电池的健康管理受到了来自学术界和工业界的广泛关注。作为锂离子电池健康管理的重要部分，健康状态（SOH）估计旨在实时监测锂离子电池的健康情况，从而保障锂离子电池的使用安全。目前很多经典机器学习算法被应用于估计锂电池的SOH，但这些算法需要假设训练数据和测试数据之间满足独立同分布的条件。不同锂离子电池受其运行条件（如充放电率、放电深度、温度等）的影响，导致退化规律具有差异。因而，采用经典的机器学习算法在锂离子电池历史数据上进行训练后，直接应用在新锂离子电池的SOH估计任务上通常表现不佳。本项工作旨在设计一种新的基于机器学习的锂离子电池SOH估计方法来减轻由不一致数据分布带来的影响。
迁移学习能够有效减轻机器学习算法对独立同分布条件的依赖。其中深度域自适应算法具有量化不同域之间分布差异的优势，成为了迁移学习方向的研究热点。然而，现有的深度域自适应算法均假设源域与目标域之间标签的边际分布非常接近，偏离了贝叶斯定理的要求。此外，深度域自适应算法的性能也依赖于超参数（例如损失函数中的加权系数）的选择。通常，超参数的选择需要人工试错，非常依赖于专家经验且费时。为此，本项工作提出了一种基于粒子群优化算法的深度域自适应方法，综合考虑了不同域之间输入边际分布、标签边际分布、条件分布，并利用粒子群优化算法进行超参数的自动寻优。本方法成功应用于锂离子电池SOH的准确迁移估计。
成果介绍
欧洲科学院院士、欧洲科学与艺术院院士、IEEE Fellow、英国伦敦布鲁奈尔大学王子栋教授等在IEEE/CAA Journal of Automatica Sinica发表：G. J. Ma, Z. D. Wang, W. B. Liu, J. Z. Fang, Y. Zhang, H. Ding, and
近年来，锂离子电池的健康管理受到了来自学术界和工业界的广泛关注。作为锂离子电池健康管理的重要部分，健康状态（SOH）估计旨在实时监测锂离子电池的健康情况，从而保障锂离子电池的使用安全。目前很多经典机器学习算法被应用于估计锂电池的SOH，但这些算法需要假设训练数据和测试数据之间满足独立同分布的条件。不同锂离子电池受其运行条件（如充放电率、放电深度、温度等）的影响，导致退化规律具有差异。因而，采用经典的机器学习算法在锂离子电池历史数据上进行训练后，直接应用在新锂离子电池的SOH估计任务上通常表现不佳。本项工作旨在设计一种新的基于机器学习的锂离子电池SOH估计方法来减轻由不一致数据分布带来的影响。
迁移学习能够有效减轻机器学习算法对独立同分布条件的依赖。其中深度域自适应算法具有量化不同域之间分布差异的优势，成为了迁移学习方向的研究热点。然而，现有的深度域自适应算法均假设源域与目标域之间标签的边际分布非常接近，偏离了贝叶斯定理的要求。此外，深度域自适应算法的性能也依赖于超参数（例如损失函数中的加权系数）的选择。通常，超参数的选择需要人工试错，非常依赖于专家经验且费时。为此，本项工作提出了一种基于粒子群优化算法的深度域自适应方法，综合考虑了不同域之间输入边际分布、标签边际分布、条件分布，并利用粒子群优化算法进行超参数的自动寻优。本方法成功应用于锂离子电池SOH的准确迁移估计。
成果介绍
欧洲科学院院士、欧洲科学与艺术院院士、IEEE Fellow、英国伦敦布鲁奈尔大学王子栋教授等在IEEE/CAA Journal of Automatica Sinica发表：G. J. Ma, Z. D. Wang, W. B. Liu, J. Z. Fang, Y. Zhang, H. Ding, and
