← 返回
基于模型-数据融合方法的锂离子电池健康状态估计与剩余寿命预测
Li-Ion Battery State of Health Estimation and Remaining Useful Life Prediction Through a Model-Data-Fusion Method
| 作者 | Zhiqiang Lyu · Renjing Gao · Lin Chen |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2021年6月 |
| 技术分类 | 储能系统技术 |
| 技术标签 | 储能系统 电池管理系统BMS 机器学习 故障诊断 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 锂离子电池 健康状态 剩余使用寿命 模型-数据融合 高斯过程回归 电池管理系统 预测与健康管理 |
语言:
中文摘要
针对电动汽车锂离子电池退化过程的非线性和时变性，本文提出了一种模型与数据融合的健康状态（SOH）估计及剩余寿命（RUL）预测方法。该方法结合了代谢灰色模型与多输出高斯过程回归，实现了动态数据驱动的电池性能评估，有效提升了电池全生命周期管理的准确性。
English Abstract
The prognostics and health management of Li-ion batteries in electric vehicles are challenging due to the time-varying and nonlinear battery degradation. This article proposes a model-data-fusion method for battery state-of-health estimation and remaining useful life prediction. First, combined with metabolic gray model and multiple-output Gaussian process regression, a dynamic and data-driven bat...
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）具有极高的应用价值。通过引入模型-数据融合算法，可显著提升iSolarCloud平台对储能电站电池衰减的预测精度，实现更精细化的BMS管理。这不仅能优化电池资产的运维策略，降低运维成本，还能在电网侧储能和工商业储能项目中，通过更准确的SOH评估，延长系统使用寿命，提升阳光电源储能产品的全生命周期竞争力，为客户提供更具价值的储能资产管理方案。