找到 4 条结果 · 储能系统技术
电动汽车电池SOC和SOH估计的数据驱动方法综述
Data-Driven Approaches for Estimation of EV Battery SoC and SoH: A Review
Shahid Gulzar Padder · Jayesh Ambulkar · Atul Banotra · Sudhakar Modem 等6人 · IEEE Access · 2025年1月
电动汽车EV技术已在交通行业奠定坚实基础。荷电状态SoC和健康状态SoH的精确评估对解决EV中的续航焦虑和意外故障问题至关重要。本文检查各种方法，包括库仑计数CC和开路电压OCV等传统方法、先进滤波器方法和现代数据驱动方法。讨论不同方法的广泛评估以及优缺点识别。使用机器学习算法的数据驱动估计在复杂电池管理系统中展现卓越准确性和适应性。电压、电流、时间和温度VCTT等外部电池参数以及阻抗和超声波数据等内部电池参数是数据驱动方法的主要组成部分。本研究中机器学习算法在预测和维持电动汽车电池寿命方面展现...
解读: 该SOC和SOH估计综述对阳光电源BMS技术路线规划有全面参考价值。阳光车载OBC和储能BMS需要准确的SOC/SOH估计算法。数据驱动方法相比传统方法的优势支持阳光引入机器学习技术。VCTT外部参数和阻抗内部参数的综合应用与阳光多传感器融合策略一致。该综述强调持续进步和开创性技术的必要性，可指导阳...
集成多层感知器和支持向量回归增强锂离子电池健康状态估计
Integrating Multilayer Perceptron and Support Vector Regression for Enhanced State of Health Estimation in Lithium-Ion Batteries
Sadiqa Jafari · Jisoo Kim · Wonil Choi · Yung-Cheol Byun · IEEE Access · 2025年1月
准确评估电池健康状态SOH对保证电动汽车EV安全可靠运行至关重要。本文提出新策略解决传统SOH测量方法中复杂预处理和大量数据需求的困难。利用先进机器学习算法提出全面SOH预测方法。方法包括细致数据准备,分析电压、电流和温度等关键运行因素。利用超参数优化微调的支持向量回归SVR和多层感知器MLP模型。使用均方根误差RMSE、均方误差MSE和R平方评估模型。为提高预测准确性,使用随机森林RF元模型将这些模型组合成堆叠集成,R²达0.987,MAE为0.02559,MSE为0.0013,RMSE为0....
解读: 该SOH估计技术对阳光电源电池管理系统BMS产品线有重要应用价值。阳光车载OBC和储能BMS需要高精度SOH估计来优化电池使用和延长寿命。SVR和MLP集成模型可集成到阳光BMS算法中,提高SOH估计准确性。超参数优化方法对阳光机器学习算法开发有借鉴意义。该研究验证的高R²值和低误差率,证明集成学习...
基于物联网传感器的视障人士障碍物检测与警告系统
Obstacle Detection and Warning System for Visually Impaired Using IoT Sensors
Sunnia Ikram · Imran Sarwar Bajwa · Amna Ikram · Isabel de la Torre Díez 等6人 · IEEE Access · 2025年1月
视障人士的安全独立移动需要高效障碍物检测系统。本研究提出创新智能膝盖手套,集成机器学习技术实现实时障碍物检测和警报。系统配备超声波传感器、PIR传感器和蜂鸣器,Arduino Uno微控制器管理数据处理。为增强检测准确性,利用决策树DT、支持向量机SVM、K近邻KNN、随机森林RF和高斯朴素贝叶斯GNB等多种机器学习算法。提出新型投票分类器集成方法,有效结合这些分类器优势最大化性能。严格交叉验证确保不同条件下鲁棒评估。实验结果表明系统在4米范围内实现98.34%检测准确率,具有高精度、召回率和F...
解读: 该障碍物检测技术对阳光电源智能运维系统有借鉴意义。阳光iSolarCloud平台可借鉴集成多传感器和机器学习算法的思路,实现光伏电站设备异常检测和巡检机器人障碍物识别。投票分类器集成方法可应用于阳光故障诊断系统,提高检测准确性和鲁棒性。Arduino微控制器的边缘处理架构与阳光分布式智能设备理念一致...
EEMLCR：基于机器学习的无线传感器网络节能聚类与路由
Energy-Efficient Machine Learning-Based Clustering and Routing for Wireless Sensor Networks
Muhammad Akram · Sibghat Ullah Bazai · Muhammad Imran Ghafoor · Saira Akram 等6人 · IEEE Access · 2025年1月
无线传感器网络WSN受限于低功耗传感单元、通信约束和处理能力，需要通过聚类和路由节约能源延长生命周期。本文研究Q-learning和K-means聚类算法应用，提出EEMLCR节能机器学习聚类与路由方法。与LEACH算法及其多跳变体DMHT LEACH和EDMHT LEACH对比验证有效性。在400节点网络600轮后，EEMLCR在存活节点数、平均能耗、剩余能量和数据包接收率等关键指标上显著优于LEACH及其变体，与EECDA和CMML等最新算法相比性能相当或更优。
解读: 该无线传感器网络节能技术对阳光电源分布式光伏监控系统有应用价值。阳光户用光伏系统中大量传感器节点需要低功耗通信和数据采集。EEMLCR聚类路由算法可优化阳光监控设备间通信拓扑，延长电池供电传感器寿命。该技术结合阳光智能运维系统，可实现大规模分布式电站的高效数据采集和传输，降低通信能耗和维护成本，提升...