找到 2 条结果
基于学习率优化的深度全卷积网络锂离子电池SOC估计
SOC Estimation of Li-ion Batteries With Learning Rate-Optimized Deep Fully Convolutional Network
M. A. Hannan · D. N. T. How · M. S. Hossain Lipu · Pin Jern Ker 等7人 · IEEE Transactions on Power Electronics · 2021年7月
本文提出了一种深度全卷积网络（DFCN）模型，直接利用电压、电流和温度数据估计锂离子电池的荷电状态（SOC）。通过引入学习率优化策略，该模型在恒定及变温环境下均表现出优异的SOC估计精度，为电池管理系统提供了高效的算法支撑。
解读: 该技术对阳光电源的储能业务（如PowerTitan、PowerStack及户用储能系统）具有极高价值。SOC估计的精度直接决定了储能系统的可用容量和安全性。通过引入深度全卷积网络（DFCN）及学习率优化策略，可显著提升BMS在复杂工况（如变温、动态充放电）下的SOC估算准确度，从而优化电池均衡策略，...
关于温度系数、光伏故障之间关系的综合分析及其与其他光伏参数相关性的研究
Comprehensive analysis and insights into the relationship between temperature coefficients, PV failures, and investigating their correlation with other PV parameters
N.Belhaouas · H.Hafdaoui · J.M.Nunzi · S.Khatir 等9人 · Solar Energy · 2025年11月 · Vol.301
摘要 确保光伏（PV）组件的长期性能和可靠性对于降低维护成本以及支持大规模太阳能部署至关重要——特别是在阿尔及利亚等地区，太阳能在其国家能源转型战略中发挥着关键作用。在诸多关键性能指标中，温度系数（TCs）能够提供有关光伏参数如何响应温度变化的重要信息。尽管制造商通常会在产品数据手册中提供温度系数，但其作为识别和理解失效机理诊断工具的潜力仍未得到充分探索。本文对温度系数与光伏组件退化之间的关系进行了全面分析，旨在提升故障检测能力和性能评估水平。本研究选取了五种不同类型、在地中海气候条件下户外暴露...
解读: 该温度系数诊断技术对阳光电源SG系列光伏逆变器及iSolarCloud智慧运维平台具有重要应用价值。研究揭示温度系数(TCPmax、TCVoc、TCIsc)可作为组件失效早期预警指标,可集成至iSolarCloud的预测性维护算法中,通过IV曲线实时监测与热成像数据融合,实现光学失效(脱层、变色)和...