← 返回
一种基于模态分解机制的数据驱动锂离子电池剩余寿命预测方法
A Data-Driven Method With Mode Decomposition Mechanism for Remaining Useful Life Prediction of Lithium-Ion Batteries
| 作者 | Jianguo Wang · Shude Zhang · Chenyu Li · Lifeng Wu · Yingzhou Wang |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2022年11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 剩余使用寿命 预测 数据驱动方法 模态分解 电池安全 |
语言:
中文摘要
锂离子电池具有高效、轻便等优势，但其不稳定性及失效风险仍是行业挑战。本文提出了一种基于模态分解的数据驱动方法，用于预测锂离子电池的剩余使用寿命（RUL），旨在通过精准的寿命评估有效预防电池突发故障，保障系统运行安全。
English Abstract
Lithium-ion batteries offer excellent advantages of high efficiency, small size, and low cost, but their instability and inconformity remain challenging. Sudden failure of batteries may cause serious accidents, endangering the safety of people’s lives and properties. Advanced remaining useful life prediction methods for batteries can effectively avoid those accidents. In this article, we proposed ...
S
SunView 深度解读
该研究直接服务于阳光电源PowerTitan、PowerStack等储能系统业务。通过引入模态分解与数据驱动算法，可显著提升iSolarCloud平台对电芯健康状态（SOH）的监测精度，并优化BMS的寿命预测模型。这不仅能降低储能电站的运维成本，还能通过提前预警潜在失效风险，提升系统安全性，对阳光电源实现储能资产的全生命周期精细化管理具有重要应用价值。