找到 2 条结果 · 储能系统技术
一种基于电化学老化机理的锂离子电池健康状态估计数据驱动方法
An Electrochemical Aging-Informed Data-Driven Approach for Health Estimation of Lithium-Ion Batteries With Parameter Inconsistency
Shuxin Zhang · Zhitao Liu · Yan Xu · Guangwei Chen 等5人 · IEEE Transactions on Power Electronics · 2025年5月
准确估计锂离子电池的健康状态（SOH）对保障系统安全与可靠性至关重要。本文提出了一种融合物理电化学模型与深度学习的数据驱动方法，旨在解决电池参数不一致性带来的SOH估计难题，提升电池全生命周期的健康管理精度。
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。目前储能系统规模化应用中，电池组内参数不一致性是影响系统寿命与安全的核心痛点。通过将电化学机理与深度学习结合，可显著提升iSolarCloud平台对储能电站的SOH监测精度，实现更精准的电池寿命预测...
一种基于物理信息的混合多任务学习方法用于锂离子电池早期寿命阶段的全生命周期老化估计
A Physics-Informed Hybrid Multitask Learning for Lithium-Ion Battery Full-Life Aging Estimation at Early Lifetime
Shuxin Zhang · Zhitao Liu · Yan Xu · Hongye Su · IEEE Transactions on Industrial Informatics · 2024年9月
锂离子电池健康状态估计是电池管理系统的关键环节，现有方法主要基于机理模型或数据驱动方法。本文提出一种融合机理知识与数据驱动的物理信息混合多任务学习框架，可在电池早期寿命阶段实现全生命周期老化状态估计。通过引入混合老化模式特征，融合电极级健康状态与数据驱动信息，构建电化学机理指导的多任务生成模型，用于估计固相颗粒与电解质中的Li⁺浓度动态。采用电极级状态约束训练策略，确保模型符合因果性。在三个电池数据集上验证了从电化学到单体层面的老化状态估计性能。相比传统方法，所提方法在估计精度与实时性方面均表现...
解读: 该物理信息混合多任务学习技术对阳光电源储能产品线具有重要应用价值。在PowerTitan大型储能系统和ST系列储能变流器的BMS中，可实现电池早期寿命阶段的全生命周期老化预测，显著提升电池健康状态估计精度。通过融合电化学机理模型与数据驱动方法，能在iSolarCloud云平台实现电极级健康状态监测与...