← 返回
基于域对抗迁移学习的锂离子电池健康状态估计
State-of-Health Estimation for Lithium-Ion Batteries Using Domain Adversarial Transfer Learning
| 作者 | Zhuang Ye · Jianbo Yu |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2022年3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 深度学习 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(SOH) 域对抗迁移学习 预测与健康管理 机器学习 |
语言:
中文摘要
锂离子电池健康状态（SOH）估计是电池管理系统的核心。针对现有模型在不同工况下泛化能力差的问题，本文提出一种基于域对抗迁移学习的方法。通过在不同工况数据集间进行特征对齐，有效解决了训练集与测试集分布不一致的挑战，显著提升了电池SOH估计的准确性与鲁棒性。
English Abstract
Lithium-ion batteries are the main energy source of devices, and the estimation of their state-of-health (SOH) has become a hot point in prognostics and health management. However, many existing methods assume that training and testing data follow the same distribution. The model based on dataset under one working condition may be ineffective for the dataset under another working condition due to ...
S
SunView 深度解读
该技术对阳光电源的PowerTitan和PowerStack等大型储能系统至关重要。目前储能电站面临复杂多变的运行工况，基于域对抗迁移学习的SOH估计方法，能够显著提升iSolarCloud平台对电池全生命周期的精细化管理能力。通过解决不同工况下的数据分布差异，该算法可增强BMS对电池衰减趋势的预测精度，降低运维成本，并为储能电站的安全性评估提供更可靠的决策支持，是提升产品核心竞争力的关键智能化方向。