← 返回
结合DWT多分辨率分析的两步法HNN模式识别用于可充电电池区分
Two-Step HNN-Based Pattern Recognition Combining DWT-Based Multi-Resolution Analysis for Rechargeable Cells Distinction
| 作者 | Seongjun Lee · Jonghoon Kim |
| 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 故障诊断 机器学习 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 汉明神经网络 离散小波变换 多分辨率分析 模式识别 可充电电池 电流信号 电池状态 |
语言:
中文摘要
本文提出了一种结合离散小波变换(DWT)多分辨率分析与汉明神经网络(HNN)的两步法模式识别技术,用于可充电电池的区分。该方法通过分析充放电电流信号(DCCS),能够有效提取电池特征,相较于传统方法,在电池状态识别与区分方面表现出更高的创新性与准确性。
English Abstract
This article newly suggests two-step Hamming neural network (HNN)-based pattern recognition which combines the discrete wavelet transform (DWT)-based multi-resolution analysis (MRA) for providing an innovative and unique cell distinction. In contrast to the conventional methods, there are some remarkable features. First, the discharging/charging current signals (DCCSs) for reflecting load conditio...
S
SunView 深度解读
该技术对阳光电源的储能业务(PowerTitan、PowerStack及ST系列PCS)具有极高价值。电池的一致性与健康状态(SOH/SOC)识别是储能系统安全运维的核心。通过引入DWT与HNN算法,可显著提升iSolarCloud平台对电池簇内单体电池异常的早期预警能力,优化BMS的均衡策略。建议研发团队将此算法集成至储能系统的边缘计算模块中,实现对电池老化特征的精准捕捉,从而延长系统寿命并降低运维成本,进一步巩固阳光电源在储能智能化领域的领先地位。