找到 3 条结果
基于对抗性模仿强化学习的混合储能电动汽车能量管理
Imitation reinforcement learning energy management for electric vehicles with hybrid energy storage system
Weirong Liu · Pengfei Yao · Yue Wu · Lijun Duan 等6人 · Applied Energy · 2025年1月 · Vol.378
深度强化学习已成为电动汽车能量管理的一种有前景的方法。然而，深度强化学习依赖大量试错训练才能获得近似最优性能。为此，本文提出一种面向混合储能系统的电动汽车对抗性模仿强化学习能量管理策略，以最小化电池容量损耗成本。首先，利用动态规划在多种标准驾驶条件下生成专家知识，用于引导强化学习的探索过程，该专家知识表示为最优功率分配映射。其次，在早期模仿阶段，通过对抗网络使强化学习智能体的动作快速逼近最优功率分配映射。再次，根据对抗网络中判别器的输出设计动态模仿权重，促使智能体在在线驾驶条件下逐步过渡到自主探...
解读: 该对抗模仿强化学习策略对阳光电源混合储能系统具有重要应用价值。可应用于ST系列PCS的电池-超级电容混合储能优化,通过专家知识引导的强化学习加速训练42.6%,降低电池容量损耗成本5.1%-12.4%。技术可集成至iSolarCloud平台实现在线工况自适应功率分配,延长PowerTitan储能系统...
基于集总热模型KF-MLP估计算法的锂离子电池表面温度场重构
Surface Temperature Field Reconstruction of Lithium-Ion Batteries Toward Lumped Thermal Model-Based KF-MLP Estimation Algorithm
Xiao Qi · Chaofeng Hong · Lijun Gu · Weixiong Wu · IEEE Transactions on Industrial Informatics · 2025年3月
高容量、大型电池在电动汽车和储能系统中得到了广泛应用。实际上，这些电池的表面温度场通常分布不均且难以测量，这给温度安全监测带来了巨大挑战。因此，本文重构了集总热模型，并提出了一种卡尔曼滤波器（KF） - 多层感知器（MLP）联合估计算法，以重构锂离子电池（LIBs）的二维表面温度（ST）场。首先，设计了一种改进的集总热模型，仅使用一个传感器即可准确获取多点温度。然后，提出了一种 KF - MLP 神经网络，以减少计算资源的使用并增强模型的泛化能力。最后，设计了一种二维温度采集方法，以获取可靠的实...
解读: 从阳光电源储能系统业务视角来看，该论文提出的锂电池表面温度场重建技术具有重要的工程应用价值。当前我司大容量储能系统广泛采用大尺寸电芯，其表面温度分布不均匀性显著，而传统热管理方案受限于传感器布点数量和成本，难以实现全面监测，这正是该技术所针对的核心痛点。 该研究的创新之处在于将改进的集总热模型与K...
基于跨域自适应生成对抗网络的多退化水平光伏阵列故障诊断
Fault diagnosis of photovoltaic arrays with different degradation levels based on cross-domain adaptive generative adversarial network
Peijie Lin · Feng Guo · Yaohai Lin · Shuying Cheng 等7人 · Applied Energy · 2025年1月 · Vol.386
摘要 近年来，由于光伏电站运行与维护的重要性，光伏（PV）阵列故障诊断（FD）取得了令人瞩目的进展。然而，由于运行工况复杂，光伏阵列不可避免地会发生渐进式退化，导致输出数据出现域偏移，这对故障诊断性能产生显著的负面影响。为解决上述问题，本研究提出了一种两阶段跨域自适应生成对抗网络深度学习方法，用于不同退化水平下的光伏阵列故障诊断。在第一阶段，利用源域（即无性能退化的光伏阵列）中的正常数据进行训练；随后，在对抗训练过程中将最大均值差异（MMD）损失引入故障生成器，以生成源域故障数据的高层特征表示。...
解读: 该跨域自适应GAN故障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。针对光伏阵列性能衰减导致的数据域偏移问题,该方法通过MMD损失函数实现跨域特征对齐,仅需健康状态数据即可生成故障样本进行诊断,准确率达98.34%。可集成至iSolarCloud平台的预测...