找到 1 条结果 · IEEE Transactions on Power Electronics
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...