← 返回
基于学习率优化的深度全卷积网络锂离子电池SOC估计
SOC Estimation of Li-ion Batteries With Learning Rate-Optimized Deep Fully Convolutional Network
| 作者 | M. A. Hannan · D. N. T. How · M. S. Hossain Lipu · Pin Jern Ker · Z. Y. Dong · M. Mansur · Frede Blaabjerg |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2021年7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 | SOC估计 锂离子电池 深度学习 深度全卷积网络 学习率优化 电池管理系统 |
语言:
中文摘要
本文提出了一种深度全卷积网络（DFCN）模型，直接利用电压、电流和温度数据估计锂离子电池的荷电状态（SOC）。通过引入学习率优化策略，该模型在恒定及变温环境下均表现出优异的SOC估计精度，为电池管理系统提供了高效的算法支撑。
English Abstract
In this letter, we train deep learning (DL) models to estimate the state-of-charge (SOC) of lithium-ion (Li-ion) battery directly from voltage, current, and battery temperature values. The deep fully convolutional network model is proposed for its novel architecture with learning rate optimization strategies. The proposed model is capable of estimating SOC at constant and varying ambient temperatu...
S
SunView 深度解读
该技术对阳光电源的储能业务（如PowerTitan、PowerStack及户用储能系统）具有极高价值。SOC估计的精度直接决定了储能系统的可用容量和安全性。通过引入深度全卷积网络（DFCN）及学习率优化策略，可显著提升BMS在复杂工况（如变温、动态充放电）下的SOC估算准确度，从而优化电池均衡策略，延长电池寿命。建议研发团队将其集成至iSolarCloud智能运维平台，利用云端大数据进行模型迭代，进一步提升储能电站的精细化管理水平和运行效率。