找到 47 条结果 · IEEE Transactions on Power Electronics
基于细粒度子域对齐和特征分组的锂离子电池跨域SOH估计：一种Patch时间序列CNN-Transformer网络
Fine-Grained Subdomain Alignment and Feature Grouping-Based Cross-Domain SOH Estimation for Lithium-Ion Batteries Using a Patch Time Series CNN-Transformer Network
Xuanang Gui · Shu Zhang · Yuheng Cheng · Qianlong Wang 等7人 · IEEE Transactions on Power Electronics · 预计 2026年5月
针对锂离子电池健康状态（SOH）估计在跨域场景下因数据分布差异和标签数据不足导致性能下降的问题，本文提出了一种基于模糊聚类子域自适应的Patch时间序列CNN-Transformer网络。该方法通过细粒度子域对齐和特征分组策略，有效提升了跨域场景下的SOH估计精度与鲁棒性。
解读: 该研究直接服务于阳光电源储能业务的核心痛点。在PowerTitan和PowerStack等大型储能系统中，电池全生命周期的SOH精准估计是保障系统安全与收益的关键。该算法通过Patch时间序列与Transformer架构，能更高效地处理BMS采集的复杂工况数据，解决不同批次电池或不同应用场景（如调峰...
基于随机森林增强型电热老化模型的锂离子电池安全可持续快速充电策略
A Secure-Sustainable-Fast Charging Strategy for Lithium-Ion Batteries Based on a Random Forest-Enhanced Electro-Thermal-Degradation Model
Yajie Jiang · Noven Lee · Xiaojun Deng · Yun Yang · IEEE Transactions on Power Electronics · 2026年4月
本文提出了一种基于先进电热老化（ETD）模型的锂离子电池快速充电策略。该模型耦合了温度、荷电状态（SOC）和健康状态（SOH），结合了等效电路模型的简洁性与随机森林（RF）算法的高精度，旨在实现电池充电过程中的安全性、可持续性与高效性平衡。
解读: 该研究对于阳光电源的储能业务（如PowerTitan、PowerStack系列）具有极高价值。通过引入随机森林增强的电热老化模型，公司可进一步优化BMS（电池管理系统）的充电控制算法，在保证电池寿命和安全的前提下，显著提升储能系统的充电效率。该技术可直接应用于iSolarCloud智能运维平台，通过...
考虑老化现象的锂离子电池自适应线性变参数建模
Adaptive Linear Time-Varying Parameter-Varying Modeling of Lithium-Ion Batteries Considering Aging Phenomenon
Jie Hou · Yuchao Jiang · Jingxiang Liu · Penghua Li 等7人 · IEEE Transactions on Power Electronics · 2025年11月
本文针对锂电池模型精度与复杂度的平衡难题，提出了一种增强型电池模型。该模型通过引入自适应线性变参数方法，有效捕捉了电池在老化过程中的动态特性，在保持计算效率的同时，显著提升了对复杂影响因素的建模精度。
解读: 该研究对于阳光电源的PowerTitan和PowerStack等储能系统具有重要价值。通过引入自适应变参数建模，可以更精准地评估电池在全生命周期内的老化状态（SOH），从而优化BMS的充放电策略，延长系统使用寿命。此外，该模型可集成至iSolarCloud平台，提升对大型储能电站电池簇的精细化运维能...
基于深度域特征独立对齐网络的锂离子电池无标签数据健康状态估计
State of Health Estimation for Lithium-Ion Battery With Label-Free Data Based on Deep Domain Feature Independent Alignment Network
Chenxi Song · Haitao Yuan · Guangfeng Wang · Naxin Cui · IEEE Transactions on Power Electronics · 2025年10月
针对锂离子电池健康状态（SOH）估计中标签数据匮乏及工况差异导致的精度受限问题，本文提出了一种基于深度域特征独立对齐网络的无标签SOH估计方法，有效提升了跨场景下的电池健康状态评估能力。
解读: 该研究直接服务于阳光电源储能业务的核心痛点。在PowerTitan和PowerStack等大型储能系统中，电池全生命周期的健康状态监控是保障系统安全与运维收益的关键。该方法通过深度学习实现跨工况的无标签SOH估计，能够显著降低iSolarCloud平台对海量标注数据的依赖，提升电池资产的精细化管理水...
基于可迁移知识共享网络的锂离子电池SOH与RUL同步预测
Simultaneous Prediction of SOH and RUL for Lithium-Ion Batteries Using Transferable Knowledge Sharing Network
Kai Zhong · Zhihao Liu · Jiaqiang Tian · Chao Fan 等8人 · IEEE Transactions on Power Electronics · 2025年9月
锂离子电池的健康状态（SOH）和剩余使用寿命（RUL）预测对电力系统的安全运行至关重要。针对现有方法在泛化能力、预测精度及多任务协同方面的不足，本文提出了一种可迁移知识共享网络，实现了SOH与RUL的同步预测，有效提升了复杂工况下的预测性能。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack及ST系列PCS）具有极高价值。通过引入可迁移知识共享网络，BMS系统能够更精准地评估电池衰减状态，提升电池全生命周期的安全性与运维效率。建议将该算法集成至iSolarCloud智能运维平台，通过大数据分析实现电池簇的精细化管理，...
基于代理标签引导的锂离子电池鲁棒健康监测：一种深度多任务学习方法
Robust Health Monitoring for Lithium-Ion Batteries Under Guidance of Proxy Labels: A Deep Multitask Learning Approach
Ruohan Guo · Kui Zhang · Shangyang He · Shengyu Tao 等10人 · IEEE Transactions on Power Electronics · 2025年8月
针对锂离子电池健康状态（SOH）估计中标签数据匮乏导致的泛化能力不足问题，本文提出了一种深度多任务学习方法。通过利用常规运行数据中的老化信息作为代理标签，有效提升了电池健康监测的鲁棒性，为电池全生命周期管理提供了新的数据驱动解决方案。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack及ST系列PCS）具有极高价值。目前储能系统在电网侧和工商业侧应用中，电池SOH的精准评估是保障系统安全与延长寿命的核心。该深度学习方法能有效解决实际运行中标签数据缺失的痛点，提升BMS的健康管理精度。建议将其集成至iSolarC...
面向多目标工况的电池健康状态估计的多源域元学习网络
Multisource Domain Metalearning Network for Battery State-of-Health Estimation Under Multitarget Working Conditions
Mengqi Miao · Chaoang Xiao · Jianbo Yu · IEEE Transactions on Power Electronics · 2025年7月
电池健康状态（SOH）估计对电池寿命预测至关重要。工况差异导致的域偏移现象是准确估计SOH的主要障碍。本文提出一种多源域元学习网络，通过最小化不同工况下的分布差异，解决电池SOH估计中的域偏移问题，提升在多目标工况下的预测精度。
解读: 该研究直接服务于阳光电源的储能业务核心需求。在PowerTitan和PowerStack等大型储能系统中，电池全生命周期的SOH精准评估是保障系统安全与收益的关键。该元学习算法能有效解决不同温度、充放电倍率等复杂工况下的数据分布偏移问题，显著提升BMS的预测精度。建议将此算法集成至iSolarClo...
一种基于电化学老化机理的锂离子电池健康状态估计数据驱动方法
An Electrochemical Aging-Informed Data-Driven Approach for Health Estimation of Lithium-Ion Batteries With Parameter Inconsistency
Shuxin Zhang · Zhitao Liu · Yan Xu · Guangwei Chen 等5人 · IEEE Transactions on Power Electronics · 2025年5月
准确估计锂离子电池的健康状态（SOH）对保障系统安全与可靠性至关重要。本文提出了一种融合物理电化学模型与深度学习的数据驱动方法，旨在解决电池参数不一致性带来的SOH估计难题，提升电池全生命周期的健康管理精度。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack及ST系列PCS）具有极高价值。目前储能系统规模化应用中，电池组内参数不一致性是影响系统寿命与安全的核心痛点。通过将电化学机理与深度学习结合，可显著提升iSolarCloud平台对储能电站的SOH监测精度，实现更精准的电池寿命预测...
基于短历史数据的长短期记忆模型锂离子电池SOH估计
Lithium-Ion Battery SOH Estimation Based on a Long Short-Term Memory Model Using Short History Data
Wenbin Li · Changwei Lin · Seyedmehdi Hosseininasab · Lennart Bauer 等5人 · IEEE Transactions on Power Electronics · 2025年5月
本文针对电动汽车电池管理系统（BMS），提出了一种基于短时充电历史数据的锂离子电池健康状态（SOH）估计方法。该数据驱动模型利用长短期记忆（LSTM）网络，解决了实际应用中因部分充放电循环导致的SOH估计难题，实现了在灵活电压范围下的高精度健康状态评估。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack及ST系列PCS）具有极高价值。目前储能系统在电网侧和工商业侧常面临频繁的浅充浅放，传统的基于全周期数据的SOH估算精度受限。引入基于LSTM的短历史数据估算模型，可显著提升iSolarCloud平台对电池衰减的预测精度，优化电池...
基于局部充电曲线重构的锂离子电池健康状态估计
State of Health Estimation for Lithium-Ion Batteries Based on Partial Charging Curve Reconstruction
Yiwen Sun · Qi Diao · Hongzhang Xu · Xiaojun Tan 等6人 · IEEE Transactions on Power Electronics · 2025年4月
为保障锂离子电池安全高效运行，精确估计健康状态（SOH）至关重要。针对现有研究多依赖完整或大范围充电曲线、在实际应用中难以获取的问题，本文提出了一种基于局部充电曲线重构的SOH估计新方法，有效提升了电池状态评估的实用性与准确性。
解读: 该技术对阳光电源的PowerTitan和PowerStack等储能系统具有极高的应用价值。在实际电站运维中，电池往往难以充满，基于局部曲线的SOH估计能显著提升iSolarCloud平台对电池衰减的监测精度，无需等待电池完全充电即可完成评估。建议将该算法集成至BMS核心算法库中，以优化储能电站的寿命...
考虑容量再生现象的基于最大相关熵滤波的SOH自适应融合估计方法
Maximum Correntropy Filter-Based Adaptive Fusion Method for SOH Estimation Considering Capacity Regeneration Phenomenon
Chenyang Pan · Zhaoxia Peng · Shichun Yang · Guoguang Wen 等5人 · IEEE Transactions on Power Electronics · 2025年3月
锂离子电池健康状态（SOH）的准确估计对电动汽车及储能系统的安全至关重要。针对电池老化过程中不可避免的“容量再生”现象导致的退化率波动及估计精度下降问题，本文提出了一种基于最大相关熵滤波的自适应融合估计方法，有效提升了复杂工况下电池SOH的预测精度与鲁棒性。
解读: 该技术对阳光电源的PowerTitan和PowerStack等储能系统具有极高的应用价值。电池容量再生现象会导致BMS在估算SOH时产生偏差，进而影响储能电站的可用容量评估与运维策略。引入最大相关熵滤波算法，能够显著提升BMS在复杂充放电工况下的SOH估计精度，优化电池组的一致性管理。建议将该算法集...
磷酸铁锂电池荷电状态与健康状态的偏差补偿联合估计
Bias-Compensated State of Charge and State of Health Joint Estimation for Lithium Iron Phosphate Batteries
Baozhao Yi · Xinhao Du · Jiawei Zhang · Xiaogang Wu 等8人 · IEEE Transactions on Power Electronics · 2025年2月
准确的荷电状态（SOC）和健康状态（SOH）估计对电池安全运行至关重要。由于磷酸铁锂（LFP）电池开路电压（OCV）曲线平坦，电压测量偏差严重影响估计精度。本文提出了一种偏差补偿算法，实现了LFP电池SOC和SOH的可靠联合估计。
解读: 该研究直接服务于阳光电源储能业务的核心痛点。LFP电池是PowerTitan和PowerStack系列产品的核心，其平坦的OCV曲线在实际应用中极易受传感器偏差影响，导致SOC估算漂移。该偏差补偿算法可集成至阳光电源的BMS（电池管理系统）中，显著提升系统在长周期运行下的SOC/SOH估算精度，减少...
基于长短期记忆模型利用短历史数据的锂离子电池健康状态估计
Lithium-Ion Battery SOH Estimation Based on a Long Short-Term Memory Model Using Short History Data
Wenbin Li · Changwei Lin · Seyedmehdi Hosseininasab · Lennart Bauer 等5人 · IEEE Transactions on Power Electronics · 2025年1月
准确估计电池健康状态（SOH）对于车辆应用中电池管理系统的预测与健康管理至关重要。由于在实际应用中部分循环是常见情况，使用灵活电压范围短期数据的算法正受到广泛关注。为此，本文提出了一种利用短期充电历史数据的驱动模型。该模型将增量容量分析曲线分类与基于长短期记忆网络的时间序列预测相结合，用于在荷电状态（SOC）变化较小的情况下进行SOH估计。使用了三个具有不同电池化学体系和老化轨迹的数据集进行验证。结果表明，所提出的模型实现了准确的SOH估计，平均绝对误差和均方根误差在1%至2%之间。该模型的突出...
解读: 从阳光电源储能系统业务视角来看，这项基于LSTM的电池SOH短历史数据估算技术具有显著的工程应用价值。当前我司储能产品线涵盖工商业储能、大型地面电站及户用储能系统，精准的电池健康状态评估直接关系到系统全生命周期的安全性和经济性。 该技术的核心优势在于突破了传统SOH估算对完整充放电循环的依赖，仅需...
面向锂离子电池健康状态估计的无源动态加权联邦迁移学习
Source-Free Dynamic Weighted Federated Transfer Learning for State-of-Health Estimation of Lithium-Ion Batteries With Data Privacy
Tengfei Han · Shang Yue · Pu Yang · Ruixu Zhou 等5人 · IEEE Transactions on Power Electronics · 2024年11月
针对电池健康状态（SOH）估计中数据孤岛与隐私保护难题，本文提出一种无源动态加权联邦迁移学习方法。该方法无需共享原始数据即可实现多用户模型协同训练，有效解决了单一用户数据不足的问题，提升了SOH估计的准确性与鲁棒性，为电池全生命周期管理提供了隐私保护下的智能化解决方案。
解读: 该技术对阳光电源的PowerTitan和PowerStack等储能系统具有极高的应用价值。在iSolarCloud智能运维平台中，利用联邦学习技术，可在不泄露客户隐私的前提下，汇聚全球电站的电池衰减数据，优化BMS的SOH估计算法。这不仅能提升储能电站全生命周期的安全性与运维效率，还能为电池梯次利用...
结合元学习与CNN-LSTM算法的锂离子电池健康状态估计
Combined Meta-Learning With CNN-LSTM Algorithms for State-of-Health Estimation of Lithium-Ion Battery
Tiancheng Ouyang · Yingying Su · Chengchao Wang · Song Jin · IEEE Transactions on Power Electronics · 2024年8月
针对锂离子电池实际运行工况复杂导致健康状态（SOH）估计泛化能力差的问题，本文提出了一种结合元学习与CNN-LSTM的SOH估计方法。该方法通过元学习框架提升模型在不同工况下的适应性，有效解决了传统深度学习模型对大规模数据依赖及泛化性不足的难题。
解读: 该技术对阳光电源的PowerTitan和PowerStack等储能系统至关重要。目前BMS在全生命周期SOH预测上存在精度与泛化性的平衡难题，元学习算法能显著提升系统在不同环境温度、充放电倍率下的电池寿命评估准确度。建议将此算法集成至iSolarCloud智能运维平台，通过云端大数据训练与边缘侧BM...
基于多尺度特征融合的稀疏自注意力Transformer长期SOH预测
Sparse Self-Attentive Transformer With Multiscale Feature Fusion on Long-Term SOH Forecasting
Xinshan Zhu · Chengqian Xu · Tianbao Song · Zhen Huang 等5人 · IEEE Transactions on Power Electronics · 2024年8月
锂离子电池健康状态（SOH）的准确预测对电池管理系统（BMS）的稳定运行至关重要。本文提出了一种基于稀疏自注意力Transformer（SSAT）和多时间尺度特征融合的模型，通过编码器-解码器架构，实现了对电池长期SOH的高精度预测，提升了电池系统的安全性和运维效率。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack及ST系列PCS）具有极高的应用价值。SOH的高精度预测是提升储能电站全生命周期管理的核心，有助于优化电池充放电策略，延长系统使用寿命，并降低运维成本。建议将该SSAT模型集成至iSolarCloud智能运维平台，通过大数据分析实...
基于多域迁移学习的电池健康状态估计
Battery Health Estimation Based on Multidomain Transfer Learning
Hanmin Sheng · Biplob Ray · Shaben Kayamboo · Xintao Xu 等5人 · IEEE Transactions on Power Electronics · 2024年4月
机器学习在电池健康状态（SOH）估计中具有显著优势，但面临数据分布差异带来的概念漂移挑战。本文提出一种多域迁移学习方法，旨在解决训练集与测试集分布不一致的问题，从而提升电池SOH估计的准确性与鲁棒性。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack系列）具有极高价值。电池健康状态（SOH）的精准评估是提升储能系统全生命周期经济性的核心。目前储能电站面临工况复杂、数据分布差异大的挑战，引入多域迁移学习算法，可显著提升iSolarCloud平台对大规模储能电站的运维精度，减少电...
锂电池健康状态预测的对抗性防御框架
Adversarial Defensive Framework for State-of-Health Prediction of Lithium Batteries
Anas Tiane · Chafik Okar · Hicham Chaoui · IEEE Transactions on Power Electronics · 2023年10月
神经网络易受恶意数据投毒攻击，导致预测准确性下降。本文提出一种对抗性防御框架，针对锂离子电池健康状态（SOH）预测模型，通过识别并防御微小噪声干扰，提升模型在复杂环境下的鲁棒性与决策边界稳定性。
解读: 该研究直接服务于阳光电源PowerTitan和PowerStack等大型储能系统的智能化运维。随着储能电站规模扩大，BMS数据的安全性与预测模型的鲁棒性至关重要。该对抗性防御框架可集成至iSolarCloud平台，提升电池SOH预测的抗干扰能力，防止恶意数据导致误判，从而优化电池寿命管理，降低运维风...
基于集成学习和电压重构的锂离子电池健康状态估计
Ensemble Learning and Voltage Reconstruction Based State of Health Estimation for Lithium-Ion Batteries With Twenty Random Samplings
Xing Shu · Zheng Chen · Jiangwei Shen · Shiquan Shen 等7人 · IEEE Transactions on Power Electronics · 2023年4月
针对电动交通工具中锂离子电池随机充放电行为导致的健康状态（SOH）估计精度下降问题，本文提出了一种基于集成学习和电压重构的SOH估计框架。该方法通过处理随机采样数据，有效提升了在线SOH估计的准确性与鲁棒性。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack及户用储能）具有极高价值。目前储能系统在实际运行中面临工况复杂、数据碎片化等挑战，该集成学习框架可深度集成至iSolarCloud智能运维平台及BMS算法中，通过电压重构技术提升电池全生命周期SOH监测精度。这不仅能优化电池资产的...
锂电池健康状态预测的容错框架
Fault-Tolerant Framework for State-of-Health Prediction of Lithium Batteries
Anas Tiane · Chafik Okar · Hicham Chaoui · IEEE Transactions on Power Electronics · 2022年12月
本文针对锂离子电池健康状态（SoH）预测中传感器数据缺失的挑战，提出了一种高可用性的特征容错预测框架。该框架在不确定环境下仍能保持极高的预测精度，有效解决了电池管理系统在传感器故障或数据丢失时的性能退化问题。
解读: 该研究直接服务于阳光电源PowerTitan和PowerStack等储能系统。在大型储能电站中，传感器故障会导致BMS数据缺失，进而影响SoH评估的准确性。引入该容错框架可显著提升阳光电源储能产品的运维可靠性，减少因传感器异常导致的误报警或性能误判。建议将此算法集成至iSolarCloud智能运维平...
第 1 / 3 页