找到 5 条结果 · IEEE Access
电动汽车电池SOC和SOH估计的数据驱动方法综述
Data-Driven Approaches for Estimation of EV Battery SoC and SoH: A Review
Shahid Gulzar Padder · Jayesh Ambulkar · Atul Banotra · Sudhakar Modem 等6人 · IEEE Access · 2025年1月
电动汽车EV技术已在交通行业奠定坚实基础。荷电状态SoC和健康状态SoH的精确评估对解决EV中的续航焦虑和意外故障问题至关重要。本文检查各种方法，包括库仑计数CC和开路电压OCV等传统方法、先进滤波器方法和现代数据驱动方法。讨论不同方法的广泛评估以及优缺点识别。使用机器学习算法的数据驱动估计在复杂电池管理系统中展现卓越准确性和适应性。电压、电流、时间和温度VCTT等外部电池参数以及阻抗和超声波数据等内部电池参数是数据驱动方法的主要组成部分。本研究中机器学习算法在预测和维持电动汽车电池寿命方面展现...
解读: 该SOC和SOH估计综述对阳光电源BMS技术路线规划有全面参考价值。阳光车载OBC和储能BMS需要准确的SOC/SOH估计算法。数据驱动方法相比传统方法的优势支持阳光引入机器学习技术。VCTT外部参数和阻抗内部参数的综合应用与阳光多传感器融合策略一致。该综述强调持续进步和开创性技术的必要性，可指导阳...
集成多层感知器和支持向量回归增强锂离子电池健康状态估计
Integrating Multilayer Perceptron and Support Vector Regression for Enhanced State of Health Estimation in Lithium-Ion Batteries
Sadiqa Jafari · Jisoo Kim · Wonil Choi · Yung-Cheol Byun · IEEE Access · 2025年1月
准确评估电池健康状态SOH对保证电动汽车EV安全可靠运行至关重要。本文提出新策略解决传统SOH测量方法中复杂预处理和大量数据需求的困难。利用先进机器学习算法提出全面SOH预测方法。方法包括细致数据准备,分析电压、电流和温度等关键运行因素。利用超参数优化微调的支持向量回归SVR和多层感知器MLP模型。使用均方根误差RMSE、均方误差MSE和R平方评估模型。为提高预测准确性,使用随机森林RF元模型将这些模型组合成堆叠集成,R²达0.987,MAE为0.02559,MSE为0.0013,RMSE为0....
解读: 该SOH估计技术对阳光电源电池管理系统BMS产品线有重要应用价值。阳光车载OBC和储能BMS需要高精度SOH估计来优化电池使用和延长寿命。SVR和MLP集成模型可集成到阳光BMS算法中,提高SOH估计准确性。超参数优化方法对阳光机器学习算法开发有借鉴意义。该研究验证的高R²值和低误差率,证明集成学习...
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...
数字孪生与TD3算法实现车联网中电动汽车能量管理优化
Digital Twin and TD3-Enabled Optimization of xEV Energy Management in Vehicle-to-Grid Networks
Irum Saba · Abdulraheem H. Alobaidi · Sultan Alghamdi · Muhammad Tariq · IEEE Access · 2025年1月
电动汽车快速普及需优化储能系统管理以提升性能、寿命和可靠性。传统ESS管理方法在实时状态估计、能量优化和预测性维护方面存在困难，导致电池利用和可持续性效率低下。本文提出先进ESS框架，集成数字孪生DT技术和双延迟深度确定性策略梯度TD3算法（源自DDPG的最先进强化学习方法）。该集成实现关键ESS状态（SOC、SOH、SOE和RUL）的精确实时估计，增强预测性维护和运营效率。所提框架促进主动电池健康监控，生成潜在故障早期预警，通过DT驱动ESS控制实现智能电池更换。通过动态调整ESS控制策略，T...
解读: 该数字孪生技术对阳光电源新能源汽车业务具有重要价值。阳光OBC车载充电机和BMS系统需要精准的电池状态估计和智能能量管理。该研究的DT-TD3框架可集成到阳光车辆能量管理系统，实现99.8%的高精度SOC/SOH估计，优化充电策略和电池寿命管理。在V2G车网互动场景下，该技术可预测电池健康状态，智能...
使用深度学习方法预测锂离子电池健康状态退化
Lithium-Ion Battery State of Health Degradation Prediction Using Deep Learning Approaches
Talal Alharbi · Muhammad Umair · Abdulelah Alharbi · IEEE Access · 2025年1月
及时预测锂离子电池健康状态对电池管理和寿命至关重要。传统集中式深度学习模型显示良好结果，但因需在单个节点收集和训练数据引发数据隐私担忧。本研究通过利用集中式即深度学习和分散式即联邦学习方法应对该挑战进行健康状态预测。使用包含充放电循环的NASA电池数据集进行模型训练和评估。集中式方法使用三种深度学习架构：1D卷积神经网络、CNN加长短期记忆网络和CNN加门控循环单元。1D CNN模型性能最佳展示强大预测能力，因此分散式学习即联邦学习中1D CNN模型与联邦平均技术在五个客户端使用，允许本地训练无...
解读: 该联邦学习电池诊断技术对阳光电源储能系统数据安全具有重要价值。阳光管理的大规模储能电站涉及海量电池数据，数据隐私和安全是核心关切。该联邦学习方法可在不上传原始数据的情况下实现全局模型优化，阳光可将该技术应用于BMS系统，实现跨电站的电池健康状态模型协同训练，提升诊断精度同时保护用户数据隐私，符合数据...