← 返回
基于时频域深度卷积神经网络的锂离子电池SoC估计
Time–Frequency Domain Deep Convolutional Neural Network for Li-Ion Battery SoC Estimation
| 作者 | Ki-Hyeon Kim · Koog-Hwan Oh · Hyo-Sung Ahn · Hyun-Duck Choi |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2024年1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 | 荷电状态 (SoC) 电池管理系统 (BMS) 深度学习 卷积神经网络 时频域 锂离子电池 |
语言:
中文摘要
针对电动汽车、无人机及不间断电源等应用，SoC估计至关重要。本文提出一种基于时频域的深度神经网络用于电池SoC估计。与仅在时域操作或使用一维卷积提取特征的传统研究不同，该方法通过时频分析提升了估计精度与鲁棒性。
English Abstract
The state of charge (SoC) estimation is essential for many battery-related applications, such as electric vehicles, unmanned aerial vehicles, and uninterruptible power supplies. This article presents a novel deep neural network for the SoC estimation on the time–frequency domain. Contrary to previous studies operating only in the time domain or extracting features using a 1-D convolutional neural ...
S
SunView 深度解读
该技术对阳光电源的储能业务（PowerTitan、PowerStack及ST系列PCS）具有极高价值。目前BMS算法多依赖于传统的安时积分或卡尔曼滤波，在复杂工况下精度受限。引入时频域深度学习算法，可显著提升储能系统在全生命周期内的SoC估计精度，从而优化电池均衡策略，延长系统寿命，并提升iSolarCloud智能运维平台对电池健康状态的预判能力。建议研发团队在BMS控制器中部署轻量化模型，以提升PowerTitan等大型储能系统的安全性和运行效率。