找到 2 条结果 · 智能化与AI应用
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
Xuanang Gui · Shu Zhang · Yuheng Cheng · Qianlong Wang 等7人 · IEEE Transactions on Power Electronics · 预计 2026年5月
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。
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...
基于集成学习和电压重构的锂离子电池健康状态估计
Ensemble Learning and Voltage Reconstruction Based State of Health Estimation for Lithium-Ion Batteries With Twenty Random Samplings
Xing Shu · Zheng Chen · Jiangwei Shen · Shiquan Shen 等7人 · IEEE Transactions on Power Electronics · 2023年4月
针对电动交通工具中锂离子电池随机充放电行为导致的健康状态（SOH）估计精度下降问题，本文提出了一种基于集成学习和电压重构的SOH估计框架。该方法通过处理随机采样数据，有效提升了在线SOH估计的准确性与鲁棒性。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack及户用储能）具有极高价值。目前储能系统在实际运行中面临工况复杂、数据碎片化等挑战，该集成学习框架可深度集成至iSolarCloud智能运维平台及BMS算法中，通过电压重构技术提升电池全生命周期SOH监测精度。这不仅能优化电池资产的...