找到 3 条结果 · IEEE Access
基于Transformer的电动汽车电池荷电状态估计模型
A Transformer-Based Model for State of Charge Estimation of Electric Vehicle Batteries
Metin Yılmaz · Eyüp Çinar · Ahmet Yazıcı · IEEE Access · 2025年2月
电池在电动汽车EV系统设备中发挥关键作用。这些应用的安全性和性能依赖准确的电池管理系统BMS来监测和优化电池性能。传统BMS系统因复杂化学过程和电池老化在充电预测过程中面临挑战，导致故障。完美传感器的缺失凸显外部因素特别是传感器噪声引起的测量问题的局限性。因此需要能解决现实世界电池充电预测问题的算法。本研究比较创新解决方案Transformer模型与传统长短期记忆LSTM、双向LSTM和支持向量回归SVR。本研究旨在使用NASA、BMW i3、斯坦福大学电池数据集和本研究收集的Musoshi品牌...
解读: 该Transformer模型SOC估计技术对阳光电源电池管理系统产品线有重要应用价值。阳光车载OBC和储能BMS需要高精度SOC估计来优化充电策略和电池保护。Transformer相比传统LSTM的性能优势值得阳光BMS算法借鉴。RMSE接近1的卓越精度可显著提升阳光BMS的SOC估计准确性。该技术...
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 · 2024年11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...
机器学习方法预测室内Li-Fi应用中自适应OFDM传输的直流偏置
ML Approach to Predict DC Bias for Adaptive OFDM Transmission in Indoor Li-Fi
Marwah T. Salman · David R. Siddle · Amadi G. Udu · IEEE Access · 2025年1月
多电平正交振幅调制M-QAM结合光正交频分复用中的直流偏置DCO-OFDM为室内光保真Li-Fi系统提供频谱高效解决方案和自适应传输速率。然而，DCO-OFDM方案提出的重大挑战是确保发射信号幅度非负所需的直流偏置额外功率。这些偏置信号根据光功率约束被裁剪，施加影响传输误码率BER的裁剪噪声。这种性能下降取决于对直流偏置的调整，需要持续修改以支持自适应传输。因此，同时解决直流偏置优化和裁剪缓解对提供可靠节能传输至关重要。本文提出机器学习ML方法基于OFDM信号统计特性和系统特征预测最优直流偏置。...
解读: 该自适应偏置优化技术对阳光电源多电平变流器控制具有借鉴意义。阳光ST储能变流器采用三电平或多电平拓扑，需要精确的偏置和调制策略优化。该研究的机器学习预测方法可应用于阳光变流器的自适应调制算法，根据工况动态优化PWM偏置，降低谐波和开关损耗。在光伏逆变器中，该技术可优化MPPT算法的直流工作点，提升发...