找到 2 条结果 · Applied Energy
基于自适应蒸馏增量学习与注意力MobileNetV2网络的“一对所有”拒绝识别算法在电力终端多标签识别中的应用
Electricity terminal multi-label recognition with a “one-versus-all” rejection recognition algorithm based on adaptive distillation increment learning and attention MobileNetV2 network for non-invasive load monitoring
Linfei Yin · Nannan Wang · Jishen Li · Applied Energy · 2025年1月 · Vol.382
随着分布式可再生能源接入智能电网，分布式系统及新能源发电的不确定性严重影响了电网的稳定运行。需求侧管理是解决分布式用电问题的有效手段，因此监测接入系统负荷类型已成为当前研究热点。负荷监测包括侵入式负荷监测（ILM）和非侵入式负荷监测（NILM）。目前，NILM缺乏增量学习能力且识别准确率较低。为此，本文提出一种基于自适应蒸馏增量学习与注意力MobileNetV2网络的“一对所有”拒绝识别算法用于电力终端多标签识别（ET-MR “OVA” RR-ADIL-AMN）。该算法融合了多标签识别与“一对所...
解读: 该非侵入式负荷监测技术对阳光电源智慧能源管理系统具有重要价值。可集成至iSolarCloud平台实现用电侧精细化管理:在储能系统(ST系列PCS/PowerTitan)中应用该多标签识别算法,可精准识别并网负荷类型,优化充放电策略;结合分布式光伏(SG系列逆变器)场景,通过增量学习动态适应新接入设备...
一种基于分数阶微分电压-容量曲线的锂离子电池健康状态估计新方法
A novel method for state of health estimation of lithium-ion batteries based on fractional-order differential voltage-capacity curve
Xugang Zhang · Xiyuan Gao · Linchao Duan · Qingshan Gong 等6人 · Applied Energy · 2025年1月 · Vol.377
准确估计锂离子电池的健康状态（SOH）对于确保电池管理系统稳定运行至关重要。特征参数（CPs）的提取是实现SOH精确预测的关键。传统的特征参数提取方法存在诸如参数数量少、特征提取困难等局限性。为解决上述问题，本研究将Caputo分数阶导数理论与电压-容量曲线相结合，引入分数阶微分电压-容量曲线用于特征参数的提取。此外，本文引入了v-支持向量机、弹性网络，并提出了闭环高斯过程回归方法，利用融合模型算法将这三个模型集成到一个融合模型中，从而提高SOH估计的精度。最后，我们设计了多组对比实验：将本文提...
解读: 该分数阶微分电压-容量曲线SOH估算技术对阳光电源ST系列储能变流器及PowerTitan系统的BMS优化具有重要价值。通过提取更丰富的特征参数并采用融合模型算法,可显著提升电池健康状态预测精度,增强储能系统全生命周期管理能力。该方法可集成至iSolarCloud平台实现预测性维护,降低储能电站运维...