作者：聂文艳  审核：黄凯峰  上传：梁诚  发布：唐莹

近日，我校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。

论文信息

一种新颖的SOH预测和评估策略思维导图