作者：聂文艳 审核：黄凯峰 上传：梁诚 发布：梁诚
近日，机械与电气工程学院自动化专业教师封居强博士在能源领域权威期刊《Energy》（JCR、中科院双一区Top期刊，2023年影响因子9）发表题为“A novel feature optimization and ensemble learning method for state-of-health prediction of mining lithium-ion batteries”论文。该成果是封居强自2023年10月以来又一篇发表关于矿用锂离子电池安全管理技术问题的TOP期刊论文。
该工作主要对228Ah矿用锂离子电池进行不同温度下的加速老化试验，并提出一种采用健康特征（HFs）优化和集成学习方法的SOH预测。该试验填补了大容量矿用锂离子电池领域的数据空白，研究内容为矿用电池健康管理提供坚实的技术支持。数据集公开于：https://orcid.org/0000-0002-1819-0901，以便任何对本研究感兴趣的读者轻松访问。
论文信息
加速老化试验的示意图
SSA优化SVM-LSTM集成学习方法的思维导图
基于该数据集，封居强同时在《Journal of The Electrochemical Society》（2023年影响因子3.9）期刊发表“A novel state-of-health prediction and assessment strategies for high-capacity mining lithium-ion batteries based on multi-indicator”论文。该工作针对SOH评估方法存在标准不统一、预测模型准确性有限等问题，提出一种新颖的SOH预测和评估策略。该策略考虑能量、功率、剩余寿命等因素，根据电池在不同阶段表现出的特性选择合适的判断机制。SOH预测的结果更加保守可靠，为以锂离子电池为动力系统的采矿设备安全运行提供了坚实的保障。
一种新颖的SOH预测和评估策略思维导图
