近期，我院数字经济系青年教师陈闻鹤与加拿大韦仕敦大学（Western University）夏敏副教授合作，以第一作者身份分别在中科院一区Top期刊IEEE Transactions on Industrial Informatics（IF: 9.9）和中科院二区期刊IEEE Transactions on Instrumentation and Measurement（IF: 5.9）发表新能源管理的相关研究成果。

【成果1简介】

“A Novel State-of-Charge Estimation Method for Lithium-Ion Battery using GDAformer and Online Correction Prediction of Regional Wind Power Generation”一文2024年8月13日在线发表于IEEE旗下顶级期刊IEEE Transactions on Industrial Informatics（安徽师范大学智能、通信与控制大类A5期刊）。

【文章简介】锂离子电池已成为最常用的新能源汽车动力电源，荷电状态的精准估计是其剩余续航里程评估与健康管理的核心。针对复杂运行工况产生的多变量长时间序列数据，本文提出一种基于图注意力偏差的“编码器-解码器”架构模型。该方法通过构建融合嵌入向量的图结构输入模块，提取电池空间特征并识别异常值；同时采用序列分解和自相关机制取代传统自注意力结构，捕获数据中的周期性与长期时序依赖关系，并辅以在线噪声检测机制提高估计稳健性。实验结果显示，本文方法在荷电状态估计性能上优于现有先进算法，并对不同路况模式与温度条件具有优秀的泛化能力，展现了良好的实际应用前景。

【成果2简介】

“AttCWKAN: A novel convolution weighted Kolmogorov–Arnold networks with attention mechanism for wind turbine gearbox fault diagnosis”一文2025年7月15日在线发表于期刊IEEE旗下Trans系列的IEEE Transactions on Instrumentation and Measurement（安徽师范大学电子科学与技术大类A5期刊）。

【文章简介】风电齿轮箱的准确故障诊断是制定设备有效维护策略与健康管理的关键。针对现有多层感知器诊断模型参数量大、数据需求高、计算成本高等问题，本文基于Kolmogorov–Arnold理论与深度学习方法，提出一种融合卷积注意力机制的卷积加权Kolmogorov–Arnold网络（AttCWKAN）。该模型采用边界可学习激活函数取代传统多层感知器固定点激活函数，并以非均匀有理B样条代替经典Kolmogorov–Arnold网络中的B样条作为激活函数，提升关键控制点的权重，以更好地拟合复杂曲线。此外，卷积注意力机制可有效捕获数据中隐藏的重要特征。实验结果显示，本模型的故障诊断性能明显优于现有先进方法，并可显著降低参数量，具有较高的实际应用潜力。

【作者简介】陈闻鹤博士毕业于南京理工大学，现为数字经济系青年教师，主要研究方向是新能源系统健康管理、深度学习和工业大数据挖掘等。自入职以来在《IEEE Transactions on Industrial Informatics》、《IEEE Transactions on Instrumentation and Measurement》和《中国管理科学》等国内外系统科学权威期刊发表多篇高水平学术论文，并获2025年度南京理工大学优秀博士毕业论文。