← 返回
基于可迁移知识共享网络的锂离子电池SOH与RUL同步预测
Simultaneous Prediction of SOH and RUL for Lithium-Ion Batteries Using Transferable Knowledge Sharing Network
| 作者 | Kai Zhong · Zhihao Liu · Jiaqiang Tian · Chao Fan · Mince Li · Yujie Wang · Xinghua Liu · Peng Wang |
| 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 机器学习 深度学习 故障诊断 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 锂离子电池 健康状态 (SOH) 剩余使用寿命 (RUL) 迁移学习 知识共享网络 深度学习 预测性维护 |
语言:
中文摘要
锂离子电池的健康状态（SOH）和剩余使用寿命（RUL）预测对电力系统的安全运行至关重要。针对现有方法在泛化能力、预测精度及多任务协同方面的不足，本文提出了一种可迁移知识共享网络，实现了SOH与RUL的同步预测，有效提升了复杂工况下的预测性能。
English Abstract
The state of health (SOH) and remaining useful life (RUL) prediction of lithium-ion batteries are critical for the safe operation and maintenance optimization of electrical systems. However, existing methods face challenges in generalization ability and prediction accuracy, including the limitations of single-task learning for joint SOH and RUL prediction, sensitivity to complex operating conditio...
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。通过引入可迁移知识共享网络，BMS系统能够更精准地评估电池衰减状态，提升电池全生命周期的安全性与运维效率。建议将该算法集成至iSolarCloud智能运维平台，通过大数据分析实现电池簇的精细化管理，优化储能系统的调峰调频策略，并为电站资产的残值评估提供科学依据，进一步增强阳光电源在储能全生命周期管理中的核心竞争力。