← 返回
基于短历史数据的长短期记忆模型锂离子电池SOH估计
Lithium-Ion Battery SOH Estimation Based on a Long Short-Term Memory Model Using Short History Data
| 作者 | Wenbin Li · Changwei Lin · Seyedmehdi Hosseininasab · Lennart Bauer · Stefan Pischinger |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年5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 深度学习 机器学习 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 长短期记忆网络 (LSTM) 电池管理系统 (BMS) 数据驱动模型 短期充电历史 |
语言:
中文摘要
本文针对电动汽车电池管理系统（BMS），提出了一种基于短时充电历史数据的锂离子电池健康状态（SOH）估计方法。该数据驱动模型利用长短期记忆（LSTM）网络，解决了实际应用中因部分充放电循环导致的SOH估计难题，实现了在灵活电压范围下的高精度健康状态评估。
English Abstract
Accurate estimation of the state-of-health (SOH) is essential in prognostics and health management for Battery management system in vehicle application. Algorithms using short-term data from flexible voltage ranges are gaining significant attention since partial cycling is a common case in real-world applications. To this end, a data-driven model using short-term charging history is proposed. The ...
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。目前储能系统在电网侧和工商业侧常面临频繁的浅充浅放，传统的基于全周期数据的SOH估算精度受限。引入基于LSTM的短历史数据估算模型，可显著提升iSolarCloud平台对电池衰减的预测精度，优化电池寿命管理策略。建议研发团队将此算法集成至BMS核心算法库中，通过iSolarCloud的大数据积累进行模型训练，从而提升阳光电源储能系统在全生命周期内的安全性与经济性，为客户提供更精准的运维建议。