找到 2 条结果 · Applied Energy
木质素基凝胶电解质在储能领域的研究进展
Recent advances in lignin-based gel electrolytes for energy storage
Xiao-Yu Lia · Han-Min Wang · Yu-Chen Hana · Jing Lia 等7人 · Applied Energy · 2025年1月 · Vol.401
摘要 随着全球对电能需求的不断增长，由于其灵活性，电能存储器件变得日益紧迫和重要。基于可再生生物质的电化学材料被广泛认为是替代传统化石材料的有前景的解决方案。作为自然界中最丰富的芳香族聚合物，木质素因其独特的高分子结构而 increasingly 被用作多功能储能材料。木质素基凝胶电解质（LGEs）已成功应用于柔性电子器件、电容器和金属电池中，显著提升了其作为储能材料的应用潜力。本文综述了木质素基凝胶电解质（LGEs）的最新研究进展，系统概述了木质素基绿色凝胶电解质的导电机理及其在储能器件（超级...
解读: 木质素基凝胶电解质技术对阳光电源储能系统具有前瞻价值。其在超级电容器和金属电池中的应用可为PowerTitan储能系统提供绿色电解质材料方案,提升环境友好性。柔性凝胶电解质特性可优化ST系列PCS的电池热管理和安全性能。该生物质基导电材料的研究为储能系统降本增效提供新思路,符合公司可持续发展战略,可...
AM-MFF：一种基于注意力机制的多特征融合框架用于鲁棒且可解释的锂离子电池健康状态估计
AM-MFF: A multi-feature fusion framework based on attention mechanism for robust and interpretable lithium-ion battery state of health estimation
Si-Zhe Chen · Jing Liu · Haoliang Yuan · Yibin Tao 等6人 · Applied Energy · 2025年1月 · Vol.381
健康状态（SOH）是电池管理系统（BMS）中的一个关键参数。利用多种数据源可有效提升端到端SOH估计的性能。然而，现有的基于多维特征的方法未能充分挖掘不同数据源之间的内在关联。同时，大多数方法缺乏可解释性，并忽视了噪声带来的不利影响。本研究提出了一种基于注意力机制的多特征融合框架（AM-MFF），以实现鲁棒且可解释的SOH估计。AM-MFF结合了卷积神经网络（CNN）和注意力机制（AM）的优势，能够高效提取并融合健康特征，从而全面感知电池老化信息。该框架将两个运行阶段的数据作为输入，并通过两个独...
解读: 该AM-MFF锂电池SOH估算框架对阳光电源储能系统具有重要应用价值。其多特征融合与注意力机制可直接集成至ST系列PCS和PowerTitan储能系统的BMS中,提升电池健康状态预测精度和抗噪性能。多输入容错设计确保单传感器故障时系统仍可靠运行,符合大规模储能安全需求。注意力分数的可解释性有助于iS...