找到 2 条结果 · 智能化与AI应用
LDNet-RUL：用于锂离子电池剩余寿命预测的轻量化可变形神经网络
LDNet-RUL: Lightweight Deformable Neural Network for Remaining Useful Life Prognostics of Lithium-Ion Batteries
Xiankui Wu · Penghua Li · Zhongwei Deng · Zhitao Liu 等7人 · IEEE Transactions on Power Electronics · 2025年9月
针对深度神经网络在电池剩余寿命（RUL）预测中计算成本高、推理时间长及易过拟合的问题，本文提出了轻量化高性能模型LDNet-RUL。该模型专为内存受限的边缘设备设计，有效提升了锂离子电池寿命预测的效率与准确性，解决了在嵌入式端侧部署的挑战。
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。目前储能系统依赖BMS进行状态监控，引入LDNet-RUL轻量化模型可直接部署于BMS边缘控制器或iSolarCloud平台，实现更精准的电池健康状态（SOH）评估与寿命预测。这不仅能优化电池集群的...
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
Kai Zhong · Zhihao Liu · Jiaqiang Tian · Chao Fan 等8人 · IEEE Transactions on Power Electronics · 2025年9月
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。
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，...