← 返回
基于电压异常结合长短期记忆神经网络与等效电路模型的电动汽车电池故障诊断
Battery Fault Diagnosis for Electric Vehicles Based on Voltage Abnormality by Combining the Long Short-Term Memory Neural Network and the Equivalent Circuit Model
| 作者 | Da Li · Zhaosheng Zhang · Peng Liu · Zhenpo Wang · Lei Zhang |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2021年2月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 故障诊断 机器学习 深度学习 电池管理系统BMS |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 电池故障诊断 电动汽车 长短期记忆网络 (LSTM) 等效电路模型 自适应提升算法 (AdaBoost) 电压异常 |
语言:
中文摘要
本文提出了一种结合长短期记忆（LSTM）神经网络与等效电路模型的电池故障诊断新方法。通过改进的自适应提升算法提高诊断精度，并利用预判模型降低计算负载，有效提升了电动汽车电池系统的运行安全性与可靠性。
English Abstract
Battery fault diagnosis is essential for ensuring safe and reliable operation of electric vehicles. In this article, a novel battery fault diagnosis method is presented by combining the long short-term memory recurrent neural network and the equivalent circuit model. The modified adaptive boosting method is utilized to improve diagnosis accuracy, and a prejudging model is employed to reduce comput...
S
SunView 深度解读
该技术对阳光电源的储能业务（如PowerTitan、PowerStack）具有重要参考价值。储能系统本质上是大规模电池组的集成，其安全性与BMS（电池管理系统）的故障诊断能力直接相关。文中提出的LSTM与等效电路模型结合的方法，可优化阳光电源iSolarCloud平台对储能电站电池健康状态（SOH）和荷电状态（SOC）的监测精度。建议研发团队将此深度学习算法引入储能变流器（PCS）的边缘计算模块，实现对电芯级异常的早期预警，从而提升大型储能电站的运维效率与安全性。