中国科学院大连化学物理研究所与西安交通大学的研究团队，在电池健康管理领域取得了突破性进展。这一成果针对的是快充电池健康状态预测中的两大难题：数据稀缺与个性化建模需求。
研究团队，由大连化学物理研究所的陈忠伟研究员、毛治宇副研究员，以及西安交通大学的冯江涛教授联合组成，他们开发了一种创新的两阶段联邦迁移学习框架。这一框架旨在解决因隐私保护导致的单个电池训练数据有限问题，同时满足对不同电池充放电行为个性化建模的需求。
具体而言，该框架分为两个阶段。第一阶段，利用联邦迁移学习，使多个分布式电池能够共享模型参数，协作训练出一个全局模型。这一过程既学习了通用知识，又保护了数据隐私。进入第二阶段，团队利用目标电池的少量本地数据对全局模型进行微调，从而建立起能够捕捉个体电池特征的个性化模型。这一框架建立在轻量级卷积神经网络之上，并通过引入高效的通道注意机制，进一步提升了预测性能。
实验结果显示，这一新型框架在公共快充电池数据集上的预测性能，相较于传统方法有了显著提升。这一突破不仅为快充电池健康状态预测提供了新的视角，也为电池智能化管理提供了切实可行的解决方案。
这一联邦迁移学习框架还是团队所开发的第二代电池数字大脑PBSRD Digit的核心模型。基于该框架，团队进一步开发了针对储能领域的垂直智能客服系统，这一系统有望为储能行业的智能化发展注入新的活力。
