← 返回
基于线性模式提取与非线性关系挖掘混合方法的锂离子电池剩余寿命预测
Prognostics of Remaining Useful Life for Lithium-Ion Batteries Based on Hybrid Approach of Linear Pattern Extraction and Nonlinear Relationship Mining
| 作者 | Yingzhou Wang · Chenyang Hei · Hui Liu · Shude Zhang · Jianguo Wang |
| 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 深度学习 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 剩余使用寿命 锂离子电池 电池退化 数据分解 时间序列预测 非线性关系挖掘 |
语言:
中文摘要
本文针对锂离子电池剩余寿命（RUL）预测难题，提出了一种数据分解预测方法。该方法通过从容量衰减数据中提取线性趋势，并结合非线性关系挖掘技术对时间序列残差进行预测，有效提升了电池退化建模的准确性，为电池健康管理提供了技术支撑。
English Abstract
The accurate prediction of the remaining useful life (RUL) of lithium-ion batteries (LIBs) is a key, challenging research direction. In this study, a battery degradation model is built based on the LIB dataset of NASA. A data decomposition prediction method, which extracts the linear trend from the capacity degradation data and then predicts the residuals of time series with nonlinear relations, i...
S
SunView 深度解读
该研究直接服务于阳光电源PowerTitan和PowerStack等储能系统的核心需求。高精度的RUL预测是BMS（电池管理系统）实现精细化运维、延长电池组循环寿命及保障系统安全的关键。通过引入该混合预测模型，阳光电源可进一步优化iSolarCloud平台的电池健康评估功能，实现对电网侧及工商业储能电站电池衰减的提前预警，降低运维成本，并为电池梯次利用及全生命周期管理提供数据支撑，显著提升产品在储能市场中的智能化竞争优势。