找到 1 条结果
基于TimeGAN的多样化合成数据生成结合基于BERT的模型用于电动汽车电池SOC预测：一种前沿方法
TimeGAN-Based Diversified Synthetic Data Generation Following BERT-Based Model for EV Battery SOC Prediction: A State-of-The-Art Approach
Prasanta Kumar Mohanty · Premalata Jena · Narayana Prasad Padhy · IEEE Transactions on Industry Applications · 2025年1月
近年来，电动汽车（EV）的使用量不断增长，这就需要开发出高效且安全的电池模块和管理系统。估算车辆电池的荷电状态（SOC）是一个关键因素，它会影响车辆的续航里程并优化充电偏好。文献中的大量研究尝试通过使用电池电压、电流和温度作为输入参数来估算SOC。目前存在两个重大研究空白。其一，大多数研究忽略了诸如车速和牵引力等对电池性能有直接影响的参数。这就需要一个更强大的模型来确定SOC，同时考虑车辆的额外动态因素。其二，缺乏能够预测SOC的定性且多样化的电池数据集，这对实际应用而言是一个重大限制。此外，数...
解读: 从阳光电源储能系统和新能源汽车业务的视角来看，这篇论文提出的TimeGAN-BERT混合方案为电池管理系统（BMS）的核心技术——SOC预测提供了创新思路，具有重要的借鉴价值。 该研究的核心突破在于两个方面：首先，通过TimeGAN生成合成数据集，有效解决了储能和电动汽车领域长期面临的高质量电池数...