关于举办“机器学习驱动的智能化电池管理技术与应用”专题培训会议的通知 一、背景: 随着全球新能源汽车产业的迅猛发展和“双碳”战略的深入实施,动力电池作为电动汽车的核心部件,其性能、寿命与安全性直接决定了整车的市场竞争力与用户体验。然而,在复杂工况下的状态精确感知、健康度评估、寿命预测以及安全风险防控,一直是行业面临的重大技术挑战。在此背景下,智能化、高精度、高可靠的电池管理技术已成为产业升级和学术研究的关键突破口。 国家需求层面, 我国新能源汽车产业与新型储能系统的飞速发展,对高安全、长寿命、高可靠性的动力电池系统提出了迫切需求。《新能源汽车产业发展规划(2021-2035年)》及“双碳”战略目标均将突破电池安全瓶颈、提升电池管理水平列为关键任务。GB38031-2025《电动汽车用动力蓄电池安全要求》的强制实施,特别是“5分钟热失控预警”技术要求,亟需通过智能化电池管理技术(BMS)实现电池状态的高精度感知、健康度的可靠评估、寿命的准确预测及安全隐患的早期智能诊断,以保障人民生命财产安全,支撑国家新能源战略与产业竞争力的提升。 学术研究趋势方面,机器学习引领BMS创新浪潮。从单一模型到模型融合与迁移学习,为克服单一模型泛化能力不足、依赖特定工况/老化状态数据的局限,模型融合、迁移学习、元学习成为研究热点。它们旨在利用有限数据、跨工况/跨电池型号知识迁移,提升模型的适应性和鲁棒性,完美契合新国标对全生命周期、复杂工况鲁棒性的要求。深度学习模型因其强大的时序特征提取、空间特征捕获和长序列建模能力,在SOC/SOH估计、RUL预测、退化轨迹建模、故障诊断等领域取得显著优于传统方法的精度,是当前活跃的研究方向。 为促进科研人员、工程师及产业界人士对智能算法在电池管理领域应用技术的掌握,也为助力企业应对新国标、抢占下一代智能化BMS技术制高点的战略支点。 特举办“机器学习驱动的智能化电池管理技术与应用”专题培训会议,本次培训会议主办方为北京软研国际信息技术研究院,承办方互动派(北京)教育科技有限公司,具体相关事宜通知如下: 二、培训对象: 汽车工业、电力工业、自动化技术、BMS算法开发、电池系统研发、新能源汽车工程、储能系统管理、环境科学与资源利用、计算机软件及应用等专业和领域的科研人员、工程师、及相关行业从业者、跨领域研究人员。 三、培训大纲 “机器学习驱动的智能化电池管理技术与应用”专题培训会议大纲 目录 | 主要内容 | | 1. 电池的工作原理与关键性能指标 2. 电池管理系统的核心功能 3. BMS的软件开发要点:SOC估计、SOH估计、剩余寿命预测 | | 1. 人工智能的发展 2. 机器学习的关键概念 3. 机器学习在电池管理中的应用案例介绍 | | 1.
荷电状态估计方法概述 2. 基于支持向量机的SOC估计 (1)锂电池测试及数据集 (2)基于SVM的估计框架 (3)模型验证和讨论 3.基于神经网络的SOC估计 (1)锂电池数据集 (2)基于BP/CNN/LSTM神经网络的估计框架 (3)不同输入的对比分析 (4)不同工况/温度的精度验证 3. 基于迁移学习的 SOC 估计 (1) 锂电池测试及数据集 (2) 基于深度迁移学习的SOC估计 (3)
多温度下 SOC 估计验证 (4) 多老化点下 SOC 估计验证 实例讲解1:基于支持向量机的SOC估计 实例讲解2:基于神经网络的SOC估计 实例讲解3:基于迁移学习的SOC估计 | | 1.
健康状态估计方法概述 2. 人工智能技术在电池单体SOH预估中的应用 (1) 健康因子提取 (2) 构建人工智能模型 (3) 模型训练与超参数优化 (4) 电池系统健康状态 3. 满充满放恒定工况下基于机器学习的电池SOH估计 (1)健康因子提取 (2)健康因子相关性分析 (3)基于机器学习的电池SOH估计 4.
多阶恒流/片段恒流工况下的 SOH 估计方法 (1) 锂离子电池老化数据集 (2) SOH健康特征提取 ① 电池公开数据集老化试验 ② 电池增量容量曲线提取 ③ 电压序列构建方法 ④ 电压序列相关性分析 (3)
健康特征提取 (4) 基于神经网络的电池SOH估计方法 5. 动态放电工况下基于模型误差谱的 SOH 估计方法 (1)方法基本原理及框架
(2)数据集及参数辨识
(3)模型误差面积提取 (4)老化特征及工况特征融合 (5)模型训练及验证 6. 基于云端大数据的电池SOH估计 (1)数据预处理 (2)容量标签构建 (3)容量估算框架 (4)多场景验证及测试 实例讲解1:满充满放恒定工况下的电池SOH估计 实例讲解2:多阶恒流/片段恒流工况下的电池 SOH 估计 实例讲解3:动态放电工况下基于模型误差谱的 SOH 估计 实例讲解4:基于实车运行大数据的电池 SOH 估计 | | 1.
锂离子电池状态、轨迹及特性预测概述 2. 基于传统机器学习SVR的电池剩余寿命预测 (1)数据集介绍 (2)特征提取及估计框架
(3)方法验证及讨论
3. 基于深度学习的电池RUL联合预测方法 (1)电池数据集介绍 (2)特征提取及估计框架
(3)方法验证及讨论
4. 基于机器学习的电池SOH和RUL联合预测方法 (1)数据集介绍 (2)研究框架和方法 (3)结果分析与验证 5.
基于数据驱动的电池衰退轨迹预测方法 (1) 数据集及数据预处理 (2) 特征工程与退化敏感特征提取 (3) 数据集构建与划分 (4)
模型选择与训练 (5) 轨迹预测与评估优化 实例讲解1-基于支持向量回归的寿命预测方法 实例讲解2-基于深度学习的寿命预测方法 实例讲解3-基于机器学习的健康状态及寿命联合预测方法 实例讲解4-基于深度学习的电池衰退轨迹预测方法 | | 1.
电池热失控预警方法概述 2. 算法数据集介绍:电池故障数据来源 3. 基于无监督聚类算法(KMeans)的电池现实故障检测方法 (1)KMeans聚类方法 (2)基于聚类方法的检测框架 (3)检测结果集讨论 4. 基于无监督聚类算法(DBSCAN)的电池现实故障检测方法 (1)DBSCAN聚类方法 (2)基于聚类方法的检测框架
(3)检测结果集讨论
5. 基于局部离群因子的电池系统故障智能诊断方法 (1)LOF 算法核心原理 (2)特征选择及逻辑判断准则
(3)结果分析及验证
6. 基于深度学习的电池系统智能故障诊断方法 (1)神经网络诊断框架 (2)结果分析及验证
实例讲解1:基于KMeans的异常电芯检测 实例讲解2:基于DBSCAN的异常电芯检测 实例讲解3:基于LOF的异常电芯检测 实例讲解4:基于深度学习的异常电芯检测 |
四、主讲介绍: 由国家“双一流”建设高校、“985工程”和“211工程”重点高校副教授/博导及其团队成员讲授,长期从事动力电池系统安全管理研究的理论和关键技术开发。在《eTransportation》、《Applied Energy》、《Energy》等JCR一区SCI期刊发表论文50余篇,其中十余篇先后入选“ESI全球高被引论文”。担任多个期刊青年编委,担任40余个SCI期刊的审稿人专家。 五、培训特色: 1. 深度技术融合,聚焦前沿应用: Ø 核心特色在于将机器学习(ML)与人工智能(AI)技术(SVM, BP/CNN/LSTM, 迁移学习, SVR, KMeans, DBSCAN, LOF, 深度学习)深度、系统地应用于电池管理(BMS)的核心痛点问题:SOC估计、SOH估计、剩余寿命预测(RUL)、热失控预警。 Ø 覆盖了从基础原理到最新研究趋势(如迁移学习、云端大数据分析、深度学习联合预测)的应用,体现了技术的前沿性和综合性。 2. 理论与实践高度结合,案例驱动: Ø 大量实例讲解是最大亮点之一。课程在SOC、SOH、RUL、热失控预警等每个核心应用模块后,都安排了具体的技术实例(如“基于支持向量机的SOC估计”、“基于深度学习的寿命预测方法”、“基于实车运行大数据的电池SOH估计”、“基于深度学习的异常电芯检测”等)。这确保学员不仅能理解理论,更能直观掌握实现路径和评估方法。 Ø 内容设计上强调“数据集-特征工程-模型构建-训练优化-验证评估”的完整技术链条,符合工程实践逻辑。 3. 覆盖电池管理全生命周期关键环节: Ø 培训内容系统性强,围绕电池管理的核心任务展开: n 状态感知: SOC(多种ML方法)、SOH(单体/系统,不同工况)。 n 寿命管理: RUL预测(传统ML/深度学习/联合预测)、退化轨迹预测。 n 安全预警: 热失控/故障诊断(多种无监督学习及深度学习方法)。 Ø 提供了从单体到系统、从实验室工况到实车动态工况、从新电池到老化电池的全面视角。 4. 强调方法对比与场景适应性: Ø 在关键问题上(如SOC估计、SOH估计、故障检测)不局限于单一方法,对比讲解多种主流ML/AI技术(如SVM vs神经网络vs迁移学习;KMeans vs DBSCAN vs 深度学习等) Ø 特别关注不同应用场景:如SOH估计部分专门区分了“满充满放恒定工况”、“多阶恒流/片段恒流工况”、“动态放电工况”、“云端大数据”等不同场景下的方法,体现了技术选型与场景的强关联性。 5. 结构清晰,层次递进 Ø 课程从电池管理基础和AI/ML基础讲起,确保学员具备必要的背景知识。 Ø 核心部分按应用领域(SOC->SOH->RUL->安全) 组织,逻辑清晰。 Ø 在每个应用领域内,通常遵循 “概述->传统/基础方法->先进/复杂方法(深度学习、迁移学习、联合预测)->实例验证” 的递进结构,便于学员逐步深入。 六、时间地点: 2025年08月16日-08月17日 在线直播(授课两天) 2025年08月22日-08月24日 在线直播(授课三天) 七、报名费用: 每人¥4900元(含报名费、培训费、资料费) 2025年7月25日前报名缴费可享受200元早鸟价优惠; 参加过我单位举办的其它课程的老学员,可享受额外300优惠; 费用提供用于报销的正规机打发票及盖有公章的纸质通知文件;北京中科万维智能科技有限公司作为本次会议会务合作单位,负责注册费用收取和开具发票,可开具会议费发票和发送会议邀请函; 八、增值服务: 1、凡报名学员将获得本次培训电子课件及案例模型文件; 2、培训结束可获得本次所学专题课程全部无限次回放视频; 3、参加培训并通过试的学员,可以获得:主办方北京软研国际信息技术研究院培训中心颁发的《智能化电池管理技术与应用》专业技能结业证书; 九、联系方式: 官方联系人:互动派科宇老师 电话、微信:13520456594 【注】1、开课前一周会务组统一通知;开课前一天将直播链接及上机账号发至您邮箱或微信。 十、课程问答: 如何报名、缴费? 1. 致电互动派(北京)教育专门负责行政招生的老师报名,联系方式见本文件“第九条”。 2. 填写下方附件报名回执表发送到互动派(北京)教育专门负责行政招生工作的老师。 3. 缴费支持公对公转账、个人垫付(对公到账及时退还垫付费用,可开具垫付证明)。
|