找到 2 条结果 · IEEE Access
基于新型混合深度神经网络的电池SOC和SOH估计
Battery State of Charge and State of Health Estimation Using a New Hybrid Deep Neural Network Approach
Saeid Jorkesh · Ryan Ahmed · Saeid Habibi · Reza Hosseininejad 等5人 · IEEE Access · 2025年1月
电动汽车BEV采用增加推动电池管理系统BMS进步，以应对成本和续航焦虑等挑战，两者均与电池性能相关。本文研究各种荷电状态SOC和健康状态SOH估计方法，提出结合门控循环单元GRU和长短期记忆LSTM模型的新型混合神经网络。所提方法在SOH和SOC估计精度方面显示显著改进，所需训练数据最少。关键贡献包括(1)混合GRU-LSTM模型提升SOC/SOH精度，(2)自优化能力，(3)有效处理温度变化无需OCV-SOC查找表，(4)适用于各种锂电池类型。实验结果显示，该方法在-10°C至40°C温度范围...
解读: 该混合神经网络技术对阳光电源电池管理系统具有重要应用价值。阳光ST储能系统和OBC车载充电机需要高精度SOC和SOH估计以优化充放电策略和延长电池寿命。该GRU-LSTM混合模型在宽温度范围内的高精度（SOC误差2%、SOH误差0.65%）可集成到阳光BMS系统，提升电池状态估计准确性。在工商业储能...
通过结合负荷与光伏预测的迁移学习提升基于强化学习的能量管理
Enhancing Reinforcement Learning-Based Energy Management Through Transfer Learning With Load and PV Forecasting
Chang Xu · Masahiro Inuiguchi · Naoki Hayashi · Wong Jee Keen Raymond 等6人 · IEEE Access · 2025年1月
在可再生能源微电网中，高效能量管理对维持系统稳定性和降低运行成本至关重要。传统强化学习（RL）控制器常面临训练时间长和过程不稳定等问题。本研究提出一种融合迁移学习（TL）技术的新型RL方法，利用ResNet18+BiLSTM等先进预测模型生成的合成数据对RL智能体进行预训练，嵌入领域知识以提升性能。基于一年运行数据的实验结果表明，相较于基线模型，TL增强的RL控制器累计运行成本最高降低62.63%，系统不平衡度改善达80%，并显著提升初始性能与训练效率。该方法展现了TL与RL结合在复杂电力系统实...
解读: 该迁移学习增强的强化学习能量管理技术对阳光电源PowerTitan储能系统和ST系列储能变流器具有重要应用价值。研究中的ResNet18+BiLSTM预测模型可集成至iSolarCloud云平台，提升光伏-储能微电网的实时调度能力。62.63%的成本降低和80%的系统不平衡改善直接契合阳光电源ESS...