找到 2 条结果 · Applied Energy
锂离子电池电-热-老化建模及活性材料损失研究
Electro-thermal-aging modeling of Li-ion batteries with active-material loss
Hui Pang · Xiangping Yan · Nan Jiang · Xudong Qu 等7人 · Applied Energy · 预计 2026年5月 · Vol.410
本文建立考虑活性材料损失的锂离子电池电-热-老化耦合模型，量化温度、电流倍率与循环次数对容量衰减和内阻增长的影响，提升老化预测精度。
解读: 该研究直接支撑阳光电源PowerTitan、PowerStack及ST系列储能变流器（PCS）配套的智能BMS升级。电-热-老化多物理场模型可嵌入iSolarCloud平台，优化充放电策略以延缓电池衰减；尤其适用于电网侧储能调峰调频场景中PCS与电池的协同寿命管理。建议将模型参数化接口集成至ST50...
基于回声状态网络的实时误差补偿迁移学习以增强风力发电预测
Real-time Error Compensation Transfer Learning with Echo State Networks for Enhanced Wind Power Prediction
Yingqin Zhua · Yue Liub · Nan Wangc · Zhao Zhao Zhang 等5人 · Applied Energy · 2025年2月 · Vol.379
准确的风力发电预测对于高效的能源管理和电网稳定至关重要，能够帮助能源供应商平衡供需、优化可再生能源的集成、降低运行成本并提高电力系统的可靠性。回声状态网络（Echo State Network, ESN）由于其结构简单且训练速度快，被广泛应用于非线性动态系统的建模。然而，在处理高阶非线性复杂性时，ESN容易产生系统误差，导致模型精度下降。为克服这一问题，本文提出了误差补偿迁移学习回声状态网络（Error Compensation Transfer Learning Echo State Netw...
解读: 该ETL-ESN风电预测技术对阳光电源储能系统具有重要应用价值。其2秒快速训练和95%以上精度提升可显著优化ST系列PCS的能量管理策略和PowerTitan储能系统的充放电调度。实时误差补偿机制可增强iSolarCloud平台的预测性维护能力,提升新能源并网稳定性。迁移学习方法为不同机型的GFM/...