近期，我院周宇老师在中科院一区Top期刊《IEEE Transactions on Transportation Electrification》上发表题为Online Prediction of Temperature Distribution in Power Batteries Under Sparse Sensing: An Eigenmode Approximation Perspective（基于特征模态近似的稀疏传感下动力电池温度分布在线预测）的学术论文。

研究背景

全球电动汽车热潮推动了车载储能系统的发展，锂离子动力电池因高能量密度、长循环寿命等优势成为主流选择。然而，电池热失控引发的安全事故频发，温度动态特性直接影响电池的耐久性、性能与安全性，因此精确分析和预测电池温度对热管理至关重要。

小型圆柱电池的热建模已较为成熟，但大型电池因表面积/体积比较低，空间温度分布差异显著，局部过热易导致热失控，其热建模仍存在研究缺口。物理建模方法（如基于偏微分方程的模型）虽能提供详细物理见解，但计算成本高，且受未建模动态、参数漂移等问题困扰；数据驱动方法虽规避复杂物理机制，但存在泛化能力不足、依赖密集传感器等局限。

传感器缩减对电池温度场建模至关重要，但相关研究较少。现有方法（如基于物理方程的关联法、稀疏KL分解、空间插值等）存在实验验证不足、对噪声敏感、传感器布局优化缺失或空间分辨率低等问题。

成果介绍

本文提出基于特征模态近似（EMA）的在线预测方法，通过提取温度场的特征模态，结合传感器优化和机器学习，实现稀疏传感下的全状态温度场重建。该方法具有计算量小、可解释性强的优势，实验验证了其可靠性和传感器缩减能力。

核心观点

1）本文针对物理建模方法计算成本高，数据驱动方法泛化性能差的问题，提出了一种基于特征模态近似（EMA）的建模框架，用于预测大型锂离子电池系统的时空温度场。

2)本文框架分为三个阶段：①离线训练：从高分辨率温度数据中提取特征模态，构建模态库；②传感器优化：通过算法筛选最优传感器位置，实现稀疏测量；③在线学习：基于稀疏传感数据预测模态系数，结合模态库重建全温度场。

3)本文离线特征模态库构建采用正交分解（POD）从离线训练数据矩阵中提取特征模态。通过奇异值分解将数据分解并取前r个左奇异向量作为特征模态库（按奇异值大小排序，代表模态重要性）。

图1.所提方法的概念框架

图2.稀疏重构传感器的选择

图3.温度场重建效果图

作者简介：

周宇，福州大学电气工程与自动化学院校聘副研究员、硕导，福州大学旗山学者。主要研究方向为电池系统信息学、时空动态系统建模与异常诊断等。

黄捷，福州大学电气工程与自动化学院教授、博导，福建省自动化学会副会长、福州大学5G+工业互联网研究院院长、福建省闽江学者奖励计划特聘教授、福建省高校杰出青年科研人才、闽江科学传播学者、福州市科创走廊首席科技创新顾问。主要研究方向为：群体智能与无人系统、人机混合增强智能、工业互联网、数字经济等。

期刊网址：https://ieeexplore.ieee.org/abstract/document/11052866