← 返回
基于代理标签引导的锂离子电池鲁棒健康监测：一种深度多任务学习方法
Robust Health Monitoring for Lithium-Ion Batteries Under Guidance of Proxy Labels: A Deep Multitask Learning Approach
| 作者 | Ruohan Guo · Kui Zhang · Shangyang He · Shengyu Tao · Xuan Zhang · Kailong Liu · Xiangjun Li · Jinpeng Tian · Weixiang Shen · Chi Yung Chung |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025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 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 健康状态 (SOH) 锂离子电池 深度多任务学习 代理标签 健康预测 电池管理系统 鲁棒性 |
语言:
中文摘要
针对锂离子电池健康状态（SOH）估计中标签数据匮乏导致的泛化能力不足问题，本文提出了一种深度多任务学习方法。通过利用常规运行数据中的老化信息作为代理标签，有效提升了电池健康监测的鲁棒性，为电池全生命周期管理提供了新的数据驱动解决方案。
English Abstract
State of health (SOH) estimation is foundational for effective health prognosis and management of lithium-ion batteries. However, conventional data-driven approaches struggle to ensure robust generalizability when training data lacks sufficient SOH labels. In this work, we explore the potential utility of ageing information, gathered from routine operational data beyond the standard input collecti...
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应用中，电池SOH的精准评估是保障系统安全与延长寿命的核心。该深度学习方法能有效解决实际运行中标签数据缺失的痛点，提升BMS的健康管理精度。建议将其集成至iSolarCloud智能运维平台，通过云端大数据训练优化本地BMS算法，从而提升阳光电源储能产品在全生命周期内的可用容量预测准确性，降低运维成本，增强系统安全性。