研究背景与现实痛点
面向电气化交通与储能系统，电池状态受车型、工况、温度、功率、用户行为和老化差异等因素共同影响。真实运行中，电池内部健康状态难以直接观测，安全风险往往在明显劣化后才被发现，寿命预测也容易受到不同车型、不同工况和不同电池体系的影响。同时，运维、质保、维护和梯次利用等环节缺少量化支撑，导致工程决策依据不足。因此，需要构建面向真实运行场景的电池智能健康管理体系，为安全运行、寿命管理、风险预警和资产决策提供支撑。
研究内容
1. 真实运行数据建模：构建车辆运行、电池状态、环境条件和使用行为特征。
2. 电池健康状态评估：实现跨车辆、跨工况和跨电池体系的健康评估。
3. 剩余寿命预测：利用大规模无标签运行数据提升寿命预测泛化能力。
4. 安全风险预警：结合机理认知与人工智能算法，实现潜在风险提前发现。
5. 硬件部署测试：面向电池包、电池管理系统、车辆应用和储能系统开展工程验证。
总体目标
1. 可泛化：适配不同车型、工况和电池体系。
2. 可解释：识别影响衰退与风险的关键因素。
3. 可部署：支持实际硬件部署应用。
研究成果
Jing H, Ou S*, Lv Z, et al. Battery Safety: Mechanisms, Monitoring, and Machine Intelligence[J]. Advanced Energy Materials, 2026. JCR, Q1, IF 24.4.
Jing H, Hu J, Ou S*, Lv Z, et al. Scalable and generalizable deep learning for battery state of health estimation in on-road electric vehicles[J]. Journal of Energy Chemistry, 2025. JCR, Q1, IF 14.9.
Lv Z, Ou S*, Jing H, et al. Self-supervised learning for electric vehicle battery remaining useful life prediction using real-world unlabeled data[J]. Energy, 2026. JCR, Q1, IF 9.0