找到 3 条结果 · 储能系统技术
基于线性模式提取与非线性关系挖掘混合方法的锂离子电池剩余寿命预测
Prognostics of Remaining Useful Life for Lithium-Ion Batteries Based on Hybrid Approach of Linear Pattern Extraction and Nonlinear Relationship Mining
Yingzhou Wang · Chenyang Hei · Hui Liu · Shude Zhang 等5人 · IEEE Transactions on Power Electronics · 2023年1月
本文针对锂离子电池剩余寿命（RUL）预测难题，提出了一种数据分解预测方法。该方法通过从容量衰减数据中提取线性趋势，并结合非线性关系挖掘技术对时间序列残差进行预测，有效提升了电池退化建模的准确性，为电池健康管理提供了技术支撑。
解读: 该研究直接服务于阳光电源PowerTitan和PowerStack等储能系统的核心需求。高精度的RUL预测是BMS（电池管理系统）实现精细化运维、延长电池组循环寿命及保障系统安全的关键。通过引入该混合预测模型，阳光电源可进一步优化iSolarCloud平台的电池健康评估功能，实现对电网侧及工商业储能...
基于新型指标与分数阶灰色模型及无迹粒子滤波的电池剩余寿命预测
Remaining Useful Life Prediction of Battery Using a Novel Indicator and Framework With Fractional Grey Model and Unscented Particle Filter
Lin Chen · Jing Chen · Huimin Wang · Yijue Wang 等7人 · IEEE Transactions on Power Electronics · 2020年6月
锂离子电池是电动汽车供电的核心。准确预测电池剩余使用寿命（RUL）对于保障系统安全与可靠性至关重要。由于电池老化机制复杂，BMS进行RUL预测面临挑战。本文提出了一种基于新型退化指标的预测框架，结合分数阶灰色模型与无迹粒子滤波算法，有效提升了电池寿命预测的精度与鲁棒性。
解读: 该技术对阳光电源的储能业务（如PowerTitan、PowerStack系列）具有极高的应用价值。电池寿命预测是储能系统安全运维的核心，该算法可集成至iSolarCloud智能运维平台，通过更精准的RUL评估，优化电池簇的充放电策略，延长系统全生命周期收益。建议研发团队将该分数阶灰色模型与无迹粒子滤...
考虑老化条件的锂离子电池健康预测
Lithium-Ion Batteries Health Prognosis Considering Aging Conditions
Asmae El Mejdoubi · Hicham Chaoui · Hamid Gualous · Peter Van Den Bossche 等6人 · IEEE Transactions on Power Electronics · 2019年7月
锂离子电池的健康管理对于储能系统的运行性能及成本控制至关重要。本文提出了一种考虑电池老化条件的锂电池预测模型，通过对健康状态（SOH）的评估及剩余使用寿命（RUL）的预测，旨在提升储能系统在车辆及电网应用中的可靠性与经济性。
解读: 该研究直接服务于阳光电源PowerTitan和PowerStack等储能系统业务。通过更精准的SOH评估和RUL预测，能够显著优化BMS（电池管理系统）的算法逻辑，提升系统全生命周期的运维效率。建议将该模型集成至iSolarCloud智能运维平台，实现对电站侧储能资产的精细化健康管理，提前预警潜在故...