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...
基于物理信息神经网络的IPT系统多参数与线圈偏移联合估计
Physics-Informed Neural Networks for Joint Estimation of Multiparameters and Coil Misalignment in IPT Systems
Zhan'anxin Tong · Jianhui Su · Gang Yang · Asif Ali 等7人 · IEEE Transactions on Power Electronics · 预计 2026年6月
针对感应电能传输（IPT）系统，本文提出了一种基于物理信息神经网络（PINN）的多参数联合辨识方法。通过将阻抗角、互感及负载关系的物理约束嵌入神经网络，实现了对互感和负载参数的实时感知，有效提升了系统运行调节与状态监测的精度。
解读: 该技术主要针对无线充电（IPT）领域，与阳光电源的电动汽车充电桩业务具有潜在协同效应。随着大功率无线充电技术的发展，利用PINN实现高精度的参数辨识和偏移检测，可显著提升充电桩的效率与安全性。建议研发团队关注该算法在车载无线充电模块中的应用，通过将物理模型与AI算法融合，优化充电控制策略，提升用户体...