近期，我院乌江老师团队在能源领域权威期刊《Journal of Energy Storage》（IF=9.8）上发表了题为《An adaptive convolutional feature fusion with selective architecture for estimating the state of charge of lithium-ion batteries under unconventional conditions》的研究论文。

该论文针对极端温度、复杂工况和电池老化等非常规条件下锂离子电池荷电状态估计精度不足的问题，提出了一种基于随机森林与改进贝叶斯信息准则的带选择性的自适应卷积特征融合架构(ACFF-SA)，实现了高效特征选择与多模态特征融合，显著提升了复杂工况下的估计精度与计算效率。首先，通过RF-IBIC特征筛选机制实现特征维度优化，结合CNN与随机森林混合架构完成特征融合与映射建模。进一步引入增量容量分析实现电池健康状态协同估计与容量校准。在六种温度、十二种混合工况及五种老化程度的综合验证表明，该方法在-20°C极端工况下仍将RMSE控制在2.9%以内，并在老化电池测试中实现0.68%的RMSE精度，综合性能优异。

该成果得到国家自然科学基金项目资助。该成果的发表体现了电子信息学院在储能应用、状态估计等领域的阶段性成效，彰显了学院科研创新与人才培养的综合能力。学院将持续完善科研平台建设，整合前沿技术资源，进一步加强对学生科研训练与工程能力的系统培养，为高水平人才培养和科研创新提供坚实支撑。（撰写：纪超 审核：张蕾）