← 返回
基于短时特征的锂离子电池SOH估计数据驱动模型多目标优化
Multiobjective Optimization of Data-Driven Model for Lithium-Ion Battery SOH Estimation With Short-Term Feature
| 作者 | Lei Cai · Jinhao Meng · Daniel-Ioan Stroe · Jichang Peng · Guangzhao Luo · Remus Teodorescu |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2020年11月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 储能系统 电池管理系统BMS 机器学习 深度学习 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 锂离子电池 健康状态 (SOH) 数据驱动方法 电池储能系统 (BESS) 特征提取 多目标优化 |
语言:
中文摘要
锂离子电池广泛应用于储能系统（BESS）和电动汽车。数据驱动方法通过测量特征估计电池健康状态（SOH），但过多特征会降低精度并增加人工成本。本文提出了一种多目标优化方法，旨在通过精简特征集提升SOH估计的准确性与效率。
English Abstract
As a favorable energy storage component, lithium-ion (Li-ion) battery has been widely used in the battery energy storage systems (BESS) and electric vehicles (EV). Data driven methods estimate the battery state-of-health (SOH) with the features extracted from the measurement. However, excessive features may reduce the estimation accuracy and also increases the human labor in the lab. By proposing ...
S
SunView 深度解读
该研究直接服务于阳光电源的储能业务（PowerTitan、PowerStack系列）。SOH的高精度估计是BMS核心算法的关键，直接影响储能系统的全生命周期管理与电芯衰减预测。通过引入多目标优化算法精简特征，可显著降低iSolarCloud平台在处理海量电芯数据时的计算负载，提升远程运维的实时性。建议研发团队将该模型集成至BMS底层算法中，针对不同应用场景（调峰调频、用户侧储能）进行特征自适应调整，以提升系统运行的安全性与经济性。