← 返回
基于细粒度子域对齐和特征分组的锂离子电池跨域SOH估计：一种Patch时间序列CNN-Transformer网络
Fine-Grained Subdomain Alignment and Feature Grouping-Based Cross-Domain SOH Estimation for Lithium-Ion Batteries Using a Patch Time Series CNN-Transformer Network
| 作者 | Xuanang Gui · Shu Zhang · Yuheng Cheng · Qianlong Wang · Tong Zhao · Huan Zhao · Junhua Zhao |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 预计 2026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 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 跨域估计 CNN-Transformer 补丁时间序列 子域自适应 特征分组 |
语言:
中文摘要
针对锂离子电池健康状态（SOH）估计在跨域场景下因数据分布差异和标签数据不足导致性能下降的问题，本文提出了一种基于模糊聚类子域自适应的Patch时间序列CNN-Transformer网络。该方法通过细粒度子域对齐和特征分组策略，有效提升了跨域场景下的SOH估计精度与鲁棒性。
English Abstract
State-of-health (SOH) estimation plays a crucial role in ensuring the safe, reliable, and efficient management of lithium-ion batteries. However, the performance of data-driven models often degrades in cross-domain scenarios due to domain discrepancies and insufficient labeled target data. To address these challenges, we propose a novel framework—Fuzzy Cluster Subdomain Adaptation Patch Time Serie...
S
SunView 深度解读
该研究直接服务于阳光电源储能业务的核心痛点。在PowerTitan和PowerStack等大型储能系统中，电池全生命周期的SOH精准估计是保障系统安全与收益的关键。该算法通过Patch时间序列与Transformer架构，能更高效地处理BMS采集的复杂工况数据，解决不同批次电池或不同应用场景（如调峰调频与用户侧储能）间的跨域泛化难题。建议研发团队将其引入iSolarCloud智能运维平台，通过云端模型迭代提升存量电站的电池健康管理水平，降低运维成本，并为下一代BMS算法提供技术储备。