近日，我院自动化专业本科生王一明（2023级张嗣瀛创新班）在青年教师杨海强老师指导下，在锂电池健康诊断方向取得重要研究成果，其撰写并投稿的两篇论文已分别被交通电气化领域顶级期刊《IEEE Transactions on Transportation Electrification》和储能领域重点期刊《Journal of Energy Storage》录用。
论文一：《A Property-Aware KAN-LSTM Framework Integrating Driving Pattern Entropy for Battery State-of-Health Estimation in Real-World Electric Vehicles》
该论文针对动力电池SOH估计中外部驾驶因素考虑不足、异质特征难以统一建模的难题，提出特征自适应框架PA-KANLSTM。其亮点在于：引入双时间尺度驾驶模式熵（DPE）量化驾驶行为影响；设计门控多专家Kolmogorov–Arnold网络（KAN）模块，自适应捕捉平滑性、周期性和非线性特征，并融合注意力增强LSTM建模长期时序依赖。
该论文即将在《IEEE Transactions on Transportation Electrification》（IEEE TTE）刊载。TTE由IEEE电力电子学会主办，创刊于2015年，是交通电气化领域的权威期刊与事实上的顶级期刊。该刊为中科院大类工程技术1区（TOP期刊），2025年影响因子为8.5。
论文二：《Frequency-decoupled dynamic graph learning with degradation prior for robust state-of-health estimation of lithium-ion batteries》
该论文针对储能系统锂离子电池SOH估计中多频退化信息难解耦、健康指标动态耦合难捕捉、估计结果与退化机理一致性不足等难题，提出一种退化先验增强的频率解耦动态图学习框架。其亮点在于：利用STL分解分离低频退化趋势与高频波动并分支建模；设计退化引导动态图模块，融合健康指标耦合先验和退化方向一致性先验，抑制伪相关；引入退化引导损失，约束SOH轨迹符合电池老化行为。
该论文即将在《Journal of Energy Storage》（JES）刊载。JES由Elsevier出版，是储能领域最具专业性的国际期刊之一，创刊于2014年。该刊为中科院大类工程技术2区（TOP期刊），2025年影响因子为10.7。
上述成果体现了我院本科生在锂电池健康诊断方向扎实的科研能力与创新潜力，也展现了青年教师指导本科生开展高水平科研的成效。我院将锚定山东省一流学科“811”建设任务，扎实推进本科创新人才培养，不断夯实学科育人根基。
