为应对电池热管理与安全性的严峻挑战，温度估计方法提供了新的解决思路。中国科学院海西研究院泉州装备制造研究中心等团队结合了数据增强与迁移学习方法，提出了一种锂离子电池温度状态（SOT）估计方法。该方法能在仅使用电压电流数据情况下有效的估计电池温度。首先Savitzky-Golay（SG）和均值两种滤波方法减少传感器获取的电压电流数据的噪声并且留数据的波动特性。SG滤波后的数据进行差分特征获取电压电流变化特征。其次将原始数据、滤波后数据和差分特征输入至添加噪声和量化两种数据增强算法中，增加数据的多样性。最后使用基于iTransformer的可迁移模型依据迁移策略对目标电池的SOT进行估计。在两个数据集上进行的验证实验表明：结合数据增强和迁移学习的SOT估计方法能够以令人满意的精度和可靠性实现未来温度变化曲线的估计。多数场景下，温度估计的RMSE小于1.0℃。此项研究通过实现对电池温度的精确监测与预测，为优化热管理策略、提升系统能效并从根本上预防热失控风险，奠定了坚实的技术基础。

图1. 结合数据增强与迁移学习的锂电池温度估计框架。

图2. 实验室数据集迁移温度估计对比曲线图。

这项工作面向易获取的电压电流数据构筑了结合数据增强与迁移学习的锂电池温度估计方法，并设置了三个模型的对比实验突出该方法的高精度和泛化能力。同时在设置的多个不同场景下，该方法的温度估计精度的波动不大，表现出较好的泛化能力。该技术为实现电池内部状态的精确感知、热失控的有效防范以及系统寿命的延长，提供了创新的技术路径与解决方案。

相关研究成果以“Lithium-Ion Battery Sensorless Temperature Estimation via Integrating Data Enhancement and Transfer Learning” 为题发表于IEEE Transactions on Industrial Electronics期刊上，中国科学院海西研究院泉州装备制造研究中心林名强正高级工程师为第一作者，西安交通大学孟锦豪副教授为通讯作者。研究工作获得国家自然科学基金、福建省自然科学基金等项目的支持。

论文链接：https://doi.org/10.1109/TIE.2025.3558070

(戴厚德课题组林名强团队供稿)