← 返回
基于集成学习和电压重构的锂离子电池健康状态估计
Ensemble Learning and Voltage Reconstruction Based State of Health Estimation for Lithium-Ion Batteries With Twenty Random Samplings
| 作者 | Xing Shu · Zheng Chen · Jiangwei Shen · Shiquan Shen · Fengxiang Guo · Yuanjian Zhang · Yonggang Liu |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2023年4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 | 健康状态 (SOH) 锂离子电池 集成学习 电压重构 电池管理系统 随机采样 |
语言:
中文摘要
针对电动交通工具中锂离子电池随机充放电行为导致的健康状态（SOH）估计精度下降问题，本文提出了一种基于集成学习和电压重构的SOH估计框架。该方法通过处理随机采样数据，有效提升了在线SOH估计的准确性与鲁棒性。
English Abstract
Accurate estimation of state of health (SOH) is critical for the safe and efficient operation of lithium-ion batteries in electric transport tools. However, the random charge/discharge behaviors complicate online SOH estimation and discount estimation accuracy. To overcome this difficulty, this study presents an ensemble learning and voltage reconstruction-based SOH estimation framework through th...
S
SunView 深度解读
该技术对阳光电源的储能业务（PowerTitan、PowerStack及户用储能）具有极高价值。目前储能系统在实际运行中面临工况复杂、数据碎片化等挑战，该集成学习框架可深度集成至iSolarCloud智能运维平台及BMS算法中，通过电压重构技术提升电池全生命周期SOH监测精度。这不仅能优化电池资产的健康管理，降低运维成本，还能为储能电站的调峰调频策略提供更可靠的数据支撑，从而提升阳光电源储能产品的市场竞争力和安全性。