← 返回
基于多尺度特征融合的稀疏自注意力Transformer长期SOH预测
Sparse Self-Attentive Transformer With Multiscale Feature Fusion on Long-Term SOH Forecasting
| 作者 | Xinshan Zhu · Chengqian Xu · Tianbao Song · Zhen Huang · Yun Zhang |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2024年8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 故障诊断 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 健康状态 (SOH) 锂离子电池 稀疏自注意力Transformer 多尺度特征融合 电池管理系统 长期预测 |
语言:
中文摘要
锂离子电池健康状态（SOH）的准确预测对电池管理系统（BMS）的稳定运行至关重要。本文提出了一种基于稀疏自注意力Transformer（SSAT）和多时间尺度特征融合的模型，通过编码器-解码器架构，实现了对电池长期SOH的高精度预测，提升了电池系统的安全性和运维效率。
English Abstract
The estimation of the state of health (SOH) of lithium-ion batteries (LIBs) plays an important role in ensuring the safe and stable operation of LIB management systems. In order to more accurately predict SOH, a model based on a sparse self-attentive transformer (SSAT) with multitimescale feature fusion is proposed. The SSAT follows an encoder-decoder structure construction, and the model inputs a...
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）具有极高的应用价值。SOH的高精度预测是提升储能电站全生命周期管理的核心，有助于优化电池充放电策略，延长系统使用寿命，并降低运维成本。建议将该SSAT模型集成至iSolarCloud智能运维平台，通过大数据分析实现电池健康状态的精准预警，从而提升阳光电源储能系统在电网侧和用户侧市场的核心竞争力，为构网型储能技术提供更可靠的电池状态支撑。