【CAC2023专题论坛】“新能源汽车动力电池健康管理 ”论坛集结完毕，敬请期待！

2023中国自动化大会（CAC2023）将于11月17日—19日在重庆悦来国际会议中心召开。本届大会由中国自动化学会主办，重庆邮电大学承办，大会以“自主可控强实体 新质生产创未来”为主题，聚焦自动化发展，拥抱智能新时代，共话产业新未来。大会将继续为全球自动化、信息与智能科学领域的专家学者和产业界的同仁，搭建展示创新成果、展望未来发展的高端学术平台，加强学科交叉融合，共促发展新机遇，引领科技新风向。

本届大会设置共计近40个专题论坛，“新能源汽车动力电池健康管理 ”论坛集结完毕，将于2023年11月19日召开！敬请期待！

新能源汽车动力电池健康管理

发展以电动汽车为代表的新能源汽车，是我国实现“双碳”目标、应对能源挑战的重大战略抉择。动力电池作为电动汽车的能源核心部件，其全生命周期内“可靠、可信、可解释”的健康管理对电动汽车安全运行至关重要，已成为国际学术界和工业界亟需攻破的难题。论坛围绕动力电池健康管理领域涉及的电池系统建模、优化及控制问题，探讨端云融合管控、可信数据驱动建模、多层级协同极速充电、电池工业软件等技术的最新进展，展望未来动力电池健康管理的发展前景。

本次专题论坛将邀请几位著名的学者展示他们在新能源汽车动力电池健康管理方面取得的进展。

专题主席

胡晓松

重庆大学教授

李鹏华

重庆邮电大学教授

专题报告

张彩萍

北京交通大学教授

报告题目：

端云融合锂离子电池全生命周期管理技术

报告摘要：

电池系统状态预测不准、故障难以辨识、安全事故频发是储能市场快速规模化发展的主要瓶颈。电池管理系统是电池系统的控制装置，电池管理不善将导致电池系统可靠性差、风险高，进而引发着火重大安全事故。本报告聚焦电池状态-老化行为-失效预警联动管控机制，阐述了锂离子电池三维分布式电化学模型建模方法及其在析锂检测中的应用，介绍了机理赋能的电池健康状态评估方法及其在运行数据的迁移应用、基于运行数据的电池异常辨识，最后针对电池典型故障模式，解析了漏液电池失效机制及诊断方法，进而实现电池短期运行性能最优、长期运行安全可靠的管控目标。

报告人简介：

张彩萍，博士，教授，博士生导师。IEEE高级会员、北京市科技新星。担任北京汽车工程学会理事、IEEE PES动力电池技术分会常务理事。长期从事动力与储能电池优化控制与安全管理关键技术研究。

杨晓光

北京理工大学教授

报告题目：

高比能动力电池多层级协同极速充电技术研究

报告摘要：

极速充电(Extreme Fast Charging, XFC)技术被认为是消除里程焦虑、实现电动汽车大规模普及的核心技术。动力电池的充电能力是制约电动汽车充电速率的瓶颈，大倍率充电容易引发电池析锂，严重缩短电池寿命并造成安全隐患。本报告将从传热、传质与电化学等多学科交叉的角度，剖析动力电池快速充电过程中的多尺度、多物理场、多老化机制耦合过程，探讨动力电池析锂的决速过程和关键影响因素，并介绍一种通过材料、结构和运维多个层级协同实现高比能动力电池长寿命极速充电的方法。

报告人简介：

杨晓光，教授、博士生导师，广东省电动汽车工程技术研究中心副主任。长期从事动力电池材料-结构-运维的协同设计、仿真与优化的研究。

陈峥

昆明理工大学教授

报告题目：

基于数据驱动的车用动力锂电池健康状态估算及应用

报告摘要：

锂离子电池因其高能量密度、长寿命和性能优异而被广泛应用于电动汽车、电子设备和储能系统等领域。然而，各种内外部因素都会影响电池的性能，导致电池劣化和老化。由于复杂的工作特性和不断变化的内部物理参数，准确估计电池的健康状态成为了一项挑战。报告人以动力锂电池单体和电池组为研究对象，揭示外在多耦合因素对动力电池性能衰退的影响机理，并基于数据驱动方法，从动力电池健康状态数据集构建、健康状态特征参数提取和状态估算等多个方面，探求外部复杂环境下特征参数选取、健康状态估算精度、预测结果有效性和实用性的一些研究成果。面向实车应用场景，从提高算法预测精度、降低算法计算成本、实时评估车辆健康状态等方面，分析未来动力电池健康状态估计的发展前景。

报告人简介：

陈峥，昆明理工大学教授，欧盟玛丽居里学者、英国工程技术学会会士（IET Fellow）、等荣誉，以第一或通信作者在国内外重要期刊上发表论文190余篇，Google学术引用6600余次，参编新能源汽车领域中英文专著各1部，授权发明专利30余项，以第一完成人获省部级二等奖3项。

李鹏华

重庆邮电大学教授

报告题目：

轻量级神经网络驱动的动力电池健康状态与剩余寿命预测

报告摘要：

动力锂电池长期在复杂环境下工作时的健康状态与寿命预测精度低，成为制约电动汽车推广的瓶颈之一。基于神经网络的预测方法可提高模型的预测精度和泛化能力，但模型复杂、计算需求远高于车载硬件配置，阻碍了相关方法的高性能应用。针对上述问题，本报告介绍轻量级神经网络的寿命预测方法，给出预测模型的自动机器学习框架，降低建模过程中的人工干预，获得结构更灵巧、准确性更高的模型。同时，还将汇报相关模型在嵌入式硬件上应用性能的综合评价，为动力电池SOH和RUL预测模型的轻量化部署及应用提供理论与技术支撑。

报告人简介：

李鹏华，博士，教授，博士生导师。现任重庆邮电大学自动化学院测控系副主任，大数据智能计算重点实验室副主任，中国自动化学会技术过程故障诊断与安全性专业委员会委员，重庆人工智能学会智慧交通专业委员会常务委员。主要从事神经网络理论及其创新应用研究。

李哲

清华大学副教授

报告题目：

电池研发工业软件：技术要素与开发实践

报告摘要：

电池广泛用于驱动与储能，中国电池产业具有全球领先的产量与技术水平。本报告介绍电池研发过程的先进软件工具及其底层技术要素，包括数理方程、物性数据库、数值求解、高效算法等；还将介绍报告人主持开发的电池工业软件工具链Electroder®及其在中国与欧洲多家电池企业与整车厂的应用情况。

报告人简介：

李哲，清华大学车辆与运载学院副教授，博士生导师，研究方向为动力与储能电池的设计与制造。发表学术论文100余篇，出版专著1部。承担多项国家项目，主持开发电池工业软件工具链Electroder®，应用于中国与欧洲多家电池企业与整车厂。

刘凯龙

山东大学教授

报告题目：

基于可解释性数据科学技术的电池智能管控

报告摘要：

Lithium-ion batteries have become one of the most promising sources for accelerating the development of transportation electrification, where effective electrode manufacturing plays a key role in determining battery performance. Due to the highly complicated process and strongly coupled interdependencies of electrode production, a data-science solution that can analyze feature variables within the manufacturing chain and achieve reliable prediction is urgently needed. This work proposes two feasible data-science solutions, through using interpretable machine learning techniques, for effectively quantifying the importance and correlations of battery manufacturing features and their effects on the predictions of electrode properties. Illustrative results demonstrate that the proposed data-science frameworks not only achieve reliable predictions of electrode properties but also leads to the effective quantification of both manufacturing feature importance and correlations. This is the first time to design the systematic data-driven frameworks for directly quantifying battery production feature importance and correlations by various evaluation criteria, paving a promising solution to reduce model dimension and conduct efficient sensitivity analysis of battery manufacturing.

报告人简介：

刘凯龙，山东大学教授、博导，IEEE高级会员。长期从事电池与储能系统建模、管理、控制研究。

胡晓松

重庆大学教授

报告题目：

车用动力电池系统故障诊断与安全预警

报告摘要：

快速准确的电池系统故障诊断和安全预警对于保证电动汽车安全可靠的运行至关重要，然而单一故障诊断容易造成诊断误报，短路初期故障隐蔽性强且特征不明显，对故障早期检测和安全预警构成挑战。针对上述问题，本报告介绍基于模型和信号处理相结合的故障诊断方法，给出电池系统传感器、电池短路与连接等多故障的检测与分离算法框架。同时，还将汇报基于电池容量增量曲线和局部离群因子的早期内短路故障诊断方法，介绍基于状态表示法的电池包热失控安全预警算法，以及算法在实车数据下的适用性情况。

报告人简介：

胡晓松，重庆大学教授、博士生导师，一直专注于新能源汽车动力系统设计、优化与控制方面的基础理论与应用基础研究。