← 返回
LDNet-RUL：用于锂离子电池剩余寿命预测的轻量化可变形神经网络
LDNet-RUL: Lightweight Deformable Neural Network for Remaining Useful Life Prognostics of Lithium-Ion Batteries
| 作者 | Xiankui Wu · Penghua Li · Zhongwei Deng · Zhitao Liu · Mekhrdod S. Kurboniyon · Sheng Xiang · Gang Yin |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年9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 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 剩余使用寿命 锂离子电池 深度神经网络 轻量化模型 边缘计算 预测 电池管理系统 |
语言:
中文摘要
针对深度神经网络在电池剩余寿命（RUL）预测中计算成本高、推理时间长及易过拟合的问题，本文提出了轻量化高性能模型LDNet-RUL。该模型专为内存受限的边缘设备设计，有效提升了锂离子电池寿命预测的效率与准确性，解决了在嵌入式端侧部署的挑战。
English Abstract
Deep neural networks (DNNs)-based battery remaining useful life (RUL) prognostics models suffer from high computational costs, long inference times, and a tendency to overfit, posing significant challenges for deployment on memory-constrained edge devices. To address this, LDNet-RUL, a lightweight yet high-performance model, is proposed for lithium-ion battery lifetime prognostics. Specifically, 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）具有极高价值。目前储能系统依赖BMS进行状态监控，引入LDNet-RUL轻量化模型可直接部署于BMS边缘控制器或iSolarCloud平台，实现更精准的电池健康状态（SOH）评估与寿命预测。这不仅能优化电池集群的运维策略，降低运维成本，还能提升系统安全性，为储能电站的精细化管理提供技术支撑。建议研发团队评估该模型在嵌入式BMS硬件上的移植可行性，以强化阳光电源在储能全生命周期管理中的智能化竞争优势。