← 返回
| 作者 | Chenyang Pan · Zhaoxia Peng · Shichun Yang · Guoguang Wen · Tingwen Huang |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2023年1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 控制与算法 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 电池荷电状态 SOC估计 预设时间观测器 自适应神经网络 RBF NN 电池管理系统 非线性逼近 |
语言:
中文摘要
收敛速度是评估电池荷电状态（SOC）估算性能的关键指标。本文提出了一种基于自适应径向基函数（RBF）神经网络的预设时间观测器，用于提升SOC估算的收敛速度。该方法利用自适应RBF神经网络逼近电池等效电路模型中的非线性部分，并实现参数的在线更新，从而在预设时间内实现高精度的SOC状态估计。
English Abstract
Convergence speed is an important indicator to evaluate the performance of state-of-charge (SOC) estimators. To improve the convergence speed, this article proposes an adaptive radial basis function neural network-based prescribed-time observer to estimate the battery SOC. First, an adaptive RBF NN is employed to approximate the nonlinear part of the battery equivalent circuit model, and the onlin...
S
SunView 深度解读
该技术对阳光电源的储能业务（如PowerTitan、PowerStack系列）具有极高价值。SOC估算的精度与收敛速度直接决定了储能系统的可用容量利用率及运行安全性。引入预设时间观测器和神经网络算法，可有效解决电池老化导致的非线性模型失准问题，提升BMS在复杂工况下的估算鲁棒性。建议研发团队将其集成至iSolarCloud智能运维平台或BMS底层控制算法中，以优化电池簇的一致性管理，延长系统循环寿命，并提升在调峰调频等高频次应用场景下的响应性能。