找到 23 条结果
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，...
高速列车功率IGBT模块剩余使用寿命预测的混合方法
Hybrid Method for Remaining Useful Life Prediction of Power IGBT Modules in High-Speed Trains
Hengzhi Liu · He-sheng Zhang · Yicong Tang · IEEE Transactions on Power Electronics · 2024年11月
针对高速列车运行中IGBT模块剩余使用寿命（RUL）预测面临的不确定性、多变量及全生命周期数据匮乏等挑战，本文提出了一种混合预测方法，有效提升了复杂工况下功率器件寿命评估的准确性。
解读: IGBT是阳光电源组串式/集中式光伏逆变器及PowerTitan/PowerStack储能变流器（PCS）的核心功率器件。该研究提出的混合RUL预测方法，对于提升阳光电源iSolarCloud平台的智能化运维水平具有重要价值。通过引入该方法，可实现对逆变器及储能PCS内部核心功率模块的“健康状态（S...
具有荷电状态不平衡约束的模块化电池储能系统寿命最大化
Lifespan Maximization of Modular Battery Energy Storage Systems With State-of-Charge Imbalance Constraints
Enrique Nunes · Gaowen Liang · Ezequiel Rodriguez · Glen G. Farivar 等5人 · IEEE Transactions on Industrial Electronics · 2024年11月
模块化电池储能系统（MBESSs）是一种很有前景的技术，可缓解可再生能源的间歇性问题。在实际应用中，模块化电池储能系统中的电池在剩余使用寿命（RUL）方面存在差异。因此，健康状态最差的电池决定了模块化电池储能系统的使用寿命，这推动了剩余使用寿命均衡方法的发展。然而，现有方法既未考虑最大程度延长使用寿命，也未考虑剩余使用寿命均衡所产生的荷电状态（SoC）不平衡问题，而这种不平衡会降低模块化电池储能系统的可用容量。因此，本文首先为剩余使用寿命均衡制定了一个通用的最优准则，该准则适用于任何退化率是功率...
解读: 从阳光电源储能系统业务视角来看，这篇论文提出的模块化电池储能系统（MBESS）剩余寿命（RUL）均衡优化技术具有重要的工程应用价值。当前我司PowerStack、PowerTitan等大型储能产品均采用模块化架构，但实际运行中电池单元健康状态差异导致的"木桶效应"一直制约着系统整体寿命和经济性。 ...
考虑芯片温度分布的IGBT键合线失效退化模型及其寿命预测新方法
Novel Prognostics for IGBTs Using Wire-Bond Contact Degradation Model Considering On-Chip Temperature Distribution
Xinlong Wu · Xin Yang · Junjie Ye · Guoyou Liu · IEEE Transactions on Power Electronics · 2025年3月
针对IGBT模块键合线脱落的剩余寿命（RUL）预测问题，现有模型多忽略芯片温度分布，导致预测精度不足。本文提出一种考虑芯片温度分布的键合线接触退化模型，通过更精准的物理建模提升了IGBT寿命预测的准确性，有助于优化电力电子变换器的维护策略并规避电气故障。
解读: IGBT是阳光电源组串式/集中式光伏逆变器、PowerTitan/PowerStack储能变流器及风电变流器的核心功率器件。该研究提出的考虑芯片温度分布的寿命预测模型，能显著提升阳光电源产品在复杂工况下的可靠性评估精度。建议研发团队将此模型集成至iSolarCloud智能运维平台，通过实时监测与热场...
LDNet-RUL：用于锂离子电池剩余寿命预测的轻量化可变形神经网络
LDNet-RUL: Lightweight Deformable Neural Network for Remaining Useful Life Prognostics of Lithium-Ion Batteries
Xiankui Wu · Penghua Li · Zhongwei Deng · Zhitao Liu 等7人 · IEEE Transactions on Power Electronics · 2025年9月
针对深度神经网络在电池剩余寿命（RUL）预测中计算成本高、推理时间长及易过拟合的问题，本文提出了轻量化高性能模型LDNet-RUL。该模型专为内存受限的边缘设备设计，有效提升了锂离子电池寿命预测的效率与准确性，解决了在嵌入式端侧部署的挑战。
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。目前储能系统依赖BMS进行状态监控，引入LDNet-RUL轻量化模型可直接部署于BMS边缘控制器或iSolarCloud平台，实现更精准的电池健康状态（SOH）评估与寿命预测。这不仅能优化电池集群的...
基于新型指标与分数阶灰色模型及无迹粒子滤波的电池剩余寿命预测
Remaining Useful Life Prediction of Battery Using a Novel Indicator and Framework With Fractional Grey Model and Unscented Particle Filter
Lin Chen · Jing Chen · Huimin Wang · Yijue Wang 等7人 · IEEE Transactions on Power Electronics · 2020年6月
锂离子电池是电动汽车供电的核心。准确预测电池剩余使用寿命（RUL）对于保障系统安全与可靠性至关重要。由于电池老化机制复杂，BMS进行RUL预测面临挑战。本文提出了一种基于新型退化指标的预测框架，结合分数阶灰色模型与无迹粒子滤波算法，有效提升了电池寿命预测的精度与鲁棒性。
解读: 该技术对阳光电源的储能业务（如PowerTitan、PowerStack系列）具有极高的应用价值。电池寿命预测是储能系统安全运维的核心，该算法可集成至iSolarCloud智能运维平台，通过更精准的RUL评估，优化电池簇的充放电策略，延长系统全生命周期收益。建议研发团队将该分数阶灰色模型与无迹粒子滤...
基于老化特征参数的功率模块剩余使用寿命预测方法
Remaining Useful Lifetime Prediction Method of Power Modules Based on the Aging Characteristic Parameters
Luhong Xie · Erping Deng · Dianjie Gu · Weijie Wang 等6人 · IEEE Transactions on Power Electronics · 2024年9月
功率模块剩余使用寿命（RUL）预测对于实施热管理和设计有效维护方案具有重要意义。由于裂纹是功率模块老化的根本失效机制，无论是键合线失效还是焊层退化，本文首先描述了裂纹扩展过程并得出了通用的裂纹扩展规律。然后，基于一个简单的焊层模型，将该通用裂纹扩展规律拓展至老化特征参数的通用增长模式。利用新老功率模块的功率循环测试结果验证了该通用增长模式的准确性后，基于老化特征参数的通用增长模式提出了一种新的剩余使用寿命预测方法。最后，在易封装（EasyPACK）模块上应用了所提出的剩余使用寿命预测方法，预测寿...
解读: 从阳光电源的业务视角来看，这项基于老化特征参数的功率模块剩余寿命预测技术具有重要的战略价值。功率模块是光伏逆变器和储能变流器的核心部件，其可靠性直接影响系统的长期稳定运行和全生命周期成本。 该研究通过揭示裂纹扩展这一根本失效机理，建立了从键合线失效到焊料层退化的统一老化规律模型，这为我们的产品设计...
基于退化与失效数据的直流母线薄膜电容自适应剩余寿命预测
Adaptive Remaining Useful Life Prediction for Film Capacitors in DC-Link Applications Using Degradation and Failure Data
Jian Gao · Shaowei Chen · Da Wang · Huai Wang 等5人 · IEEE Transactions on Power Electronics · 2026年4月
本文提出了一种针对电力电子应用中直流母线薄膜电容的自适应剩余寿命（RUL）预测方法。该方法利用比例风险模型框架，整合了退化数据与失效时间数据，以概率方式量化组件的失效行为，从而实现对电容健康状态的精准监测与寿命预测。
解读: 薄膜电容是阳光电源组串式/集中式光伏逆变器及PowerTitan/PowerStack储能变流器（PCS）中的核心易损元器件，其寿命直接决定了设备的运维周期。该研究提出的自适应RUL预测方法，能够有效提升iSolarCloud智能运维平台对关键功率模块的健康管理能力。建议将此算法集成至PCS及逆变器...
考虑老化条件的锂离子电池健康预测
Lithium-Ion Batteries Health Prognosis Considering Aging Conditions
Asmae El Mejdoubi · Hicham Chaoui · Hamid Gualous · Peter Van Den Bossche 等6人 · IEEE Transactions on Power Electronics · 2019年7月
锂离子电池的健康管理对于储能系统的运行性能及成本控制至关重要。本文提出了一种考虑电池老化条件的锂电池预测模型，通过对健康状态（SOH）的评估及剩余使用寿命（RUL）的预测，旨在提升储能系统在车辆及电网应用中的可靠性与经济性。
解读: 该研究直接服务于阳光电源PowerTitan和PowerStack等储能系统业务。通过更精准的SOH评估和RUL预测，能够显著优化BMS（电池管理系统）的算法逻辑，提升系统全生命周期的运维效率。建议将该模型集成至iSolarCloud智能运维平台，实现对电站侧储能资产的精细化健康管理，提前预警潜在故...
基于老化特征参数的功率模块剩余使用寿命预测方法
Remaining Useful Lifetime Prediction Method of Power Modules Based on the Aging Characteristic Parameters
Luhong Xie · Erping Deng · Dianjie Gu · Weijie Wang 等7人 · IEEE Transactions on Power Electronics · 2025年1月
本文针对功率模块的老化失效机理，重点研究了键合线脱落及焊料层退化导致的裂纹扩展规律。通过建立裂纹扩展模型，提出了一种基于老化特征参数的剩余使用寿命（RUL）预测方法，旨在提升功率模块的热管理水平及维护策略的有效性，为电力电子系统的长寿命设计提供理论支撑。
解读: 功率模块是阳光电源组串式/集中式光伏逆变器及PowerTitan/PowerStack储能变流器（PCS）的核心组件。该研究提出的RUL预测方法对于提升阳光电源产品的全生命周期可靠性至关重要。通过将老化特征参数监测集成至iSolarCloud平台，可实现对逆变器及储能PCS功率模块的实时健康状态评估...
MSMFormer：一种基于多变量信号映射器的可变重构Transformer用于设备剩余使用寿命预测
MSMFormer: A Variable Reconstruction Transformer Based on Multivariable Signal Mappers for Equipment RUL Prediction
Yao Wang · Xinyu Dong · Lifeng Wu · IEEE Transactions on Industrial Informatics · 2025年11月 · Vol.22
本文提出MSMFormer模型，融合多域递归分解、自适应多变量特征加权与Kolmogorov–Arnold网络（KAN）动态激活机制，显著提升设备RUL预测精度，在多个公开数据集上平均误差降低达35.7%。
解读: 该研究对阳光电源智能运维与预测性维护能力具有重要价值。MSMFormer可迁移应用于iSolarCloud平台，增强组串式逆变器、ST系列PCS及PowerTitan储能系统的早期故障识别与寿命预测能力；尤其适用于风-光-储多源设备在复杂工况下的退化建模。建议在下一代iSolarCloud 3.0中...
一种改进的高功率IGBT模块剩余寿命预测与预测性维护融合框架
An Improved Fusion Framework of Remaining Useful Life Prediction and Predictive Maintenance for High-Power IGBT Modules
Hengzhi Liu · He-sheng Zhang · Yicong Tang · IEEE Transactions on Power Electronics · 2026年4月
本文提出了一种针对高功率IGBT模块的剩余寿命（RUL）预测与预测性维护（PdM）融合框架。该框架解决了现有方法在不确定性管理上鲁棒性不足的问题，并综合考虑了可靠性信息与随机失效因素，旨在提升电力电子设备的运行可靠性与维护决策的及时性。
解读: IGBT模块是阳光电源组串式/集中式光伏逆变器、PowerTitan/PowerStack储能变流器及风电变流器的核心功率器件。该研究提出的RUL预测与PdM融合框架，能够显著提升阳光电源iSolarCloud智能运维平台在设备全生命周期管理中的预测精度。通过将该算法集成至逆变器及PCS的本地控制器...
基于物理信息深度学习与稀疏数据的电力电子器件剩余寿命预测
Remaining Useful Life Prediction of Power Electronic Devices With Physics-Informed Deep Learning and Sparse Data
Le Gao · Chaoming Liu · Yiping Xiao · Chunhua Qi 等5人 · IEEE Transactions on Power Electronics · 2025年11月
针对碳化硅（SiC）MOSFET在复杂环境下的剩余寿命（RUL）预测问题，本文提出了一种物理信息深度学习方法。该方法有效解决了现有深度学习模型在稀疏退化数据条件下预测精度不足的局限性，提升了电力电子系统在极端环境下的可靠性评估能力。
解读: 该技术对阳光电源的核心业务具有极高价值。随着SiC器件在组串式光伏逆变器和PowerTitan系列储能系统中的广泛应用，提升功率模块的可靠性预测能力至关重要。该方法通过物理模型与AI结合，能够在数据采集受限的实际工况下，精准评估器件寿命，从而优化iSolarCloud平台的运维策略，实现从“事后维修...
基于粒子滤波的变工况电解电容预测研究
Particle Filter-Based Prognostics for an Electrolytic Capacitor Working in Variable Operating Conditions
Marco Rigamonti · Piero Baraldi · Enrico Zio · Daniel Astigarraga 等5人 · IEEE Transactions on Power Electronics · 2016年2月
针对电动汽车驱动中铝电解电容的剩余使用寿命（RUL）预测问题，本文提出了一种基于粒子滤波（PF）的预测模型。该模型充分考虑了变工况运行对电容退化过程及监测信号的影响，有效提升了在复杂动态环境下的寿命预测精度。
解读: 电解电容是阳光电源光伏逆变器、储能PCS及电动汽车充电桩中的关键易损元器件，其寿命直接决定了整机可靠性。该研究提出的粒子滤波预测方法，能够有效解决变工况下电容退化状态难以量化的问题。建议将此算法集成至iSolarCloud智能运维平台，通过实时监测关键运行参数，实现对组串式逆变器、PowerTita...
基于复合指标的功率器件剩余寿命在线预测方法
Online Prediction Method for the Remaining Useful Life of Power Devices Based on Composite Indicator
Xiao Ma · Jianing Wang · Zhaoyang Wei · Lijian Ding · IEEE Transactions on Power Electronics · 2024年8月
功率开关器件是电力转换系统的核心，其寿命评估对系统安全运行至关重要。本文提出了一种基于多监测指标融合的剩余寿命（RUL）预测方法，旨在解决现有方法中预测精度低、监测指标利用率不足及故障信息获取不全等问题。
解读: 功率器件（IGBT/SiC）的可靠性是阳光电源组串式/集中式光伏逆变器及PowerTitan/PowerStack储能系统长寿命运行的关键。该研究提出的多指标融合RUL预测方法，可直接集成于iSolarCloud智能运维平台，实现对逆变器及PCS核心功率模块的健康状态实时监测。通过提前预判器件失效风...
基于物理信息深度学习与稀疏数据的电力电子器件剩余寿命预测
Remaining Useful Life Prediction of Power Electronic Devices With Physics-Informed Deep Learning and Sparse Data
Le Gao · Chaoming Liu · Yiping Xiao · Chunhua Qi 等5人 · IEEE Transactions on Power Electronics · 2025年11月
准确预测碳化硅金属氧化物半导体场效应晶体管（MOSFET）的剩余使用寿命（RUL）对于确保电力电子系统的可靠性至关重要，特别是在辐射环境下。然而，大多数现有的深度学习方法依赖于密集采样的退化数据，使其不适用于退化观测数据有限的稀疏数据条件。为解决这一局限性，我们提出了一种用于稀疏RUL预测的物理信息深度学习（PIDL）方法。该方法通过定制的物理信息损失函数，将总电离剂量引起的退化机制（具体为界面和氧化物陷阱电荷积累）融入基于Transformer的神经网络架构中。这种损失函数明确惩罚与导通状态电...
解读: 从阳光电源的业务视角来看，这项针对碳化硅MOSFET剩余寿命预测的物理信息深度学习技术具有重要的战略价值。作为光伏逆变器和储能系统的核心功率器件，碳化硅MOSFET的可靠性直接关系到我们产品在全生命周期内的性能表现和运维成本。 该技术的核心优势在于解决了稀疏数据条件下的寿命预测难题。在实际应用场景...
基于机理退化过程模型与粒子滤波的固体氧化物燃料电池故障预测方法
Fault Prognosis Method for Solid Oxide Fuel Cells Based on Mechanism Degradation Process Model and Particle Filtering
Yuanwu Xu · Chang Jiang · Jingxuan Peng · Xiao-Long Wu 等6人 · IEEE Transactions on Power Electronics · 2023年6月
针对固体氧化物燃料电池（SOFC）的寿命与耐久性问题，本文提出了一种结合机理退化模型与粒子滤波的故障预测方法。该方法通过对退化过程建模，实现了对健康状态（SOH）、寿命终点（EOL）及剩余使用寿命（RUL）的有效评估，为提升燃料电池系统的可靠性提供了理论支撑。
解读: 阳光电源在氢能领域布局了电解槽及制氢电源系统。虽然本文聚焦于SOFC（燃料电池），但其提出的基于机理模型与粒子滤波的故障预测框架，对于阳光电源PEM电解槽系统的全生命周期健康管理（PHM）具有重要的参考价值。建议研发团队借鉴该文的退化建模思路，结合iSolarCloud平台的大数据积累，开发针对电解...
基于线性模式提取与非线性关系挖掘混合方法的锂离子电池剩余寿命预测
Prognostics of Remaining Useful Life for Lithium-Ion Batteries Based on Hybrid Approach of Linear Pattern Extraction and Nonlinear Relationship Mining
Yingzhou Wang · Chenyang Hei · Hui Liu · Shude Zhang 等5人 · IEEE Transactions on Power Electronics · 2023年1月
本文针对锂离子电池剩余寿命（RUL）预测难题，提出了一种数据分解预测方法。该方法通过从容量衰减数据中提取线性趋势，并结合非线性关系挖掘技术对时间序列残差进行预测，有效提升了电池退化建模的准确性，为电池健康管理提供了技术支撑。
解读: 该研究直接服务于阳光电源PowerTitan和PowerStack等储能系统的核心需求。高精度的RUL预测是BMS（电池管理系统）实现精细化运维、延长电池组循环寿命及保障系统安全的关键。通过引入该混合预测模型，阳光电源可进一步优化iSolarCloud平台的电池健康评估功能，实现对电网侧及工商业储能...
基于物理信息神经网络的锂离子电池健康状态、剩余使用寿命与短期退化路径联合估计
Physics-informed neural network for co-estimation of state of health, remaining useful life, and short-term degradation path in Lithium-ion batteries
Li Yanga · Mingjian Heab · Yatao Ren · Baohai Gao 等5人 · Applied Energy · 2025年11月 · Vol.398
摘要 锂离子电池由于各种内部和外部因素会随时间逐渐退化，这种退化带来了显著的安全性和可靠性风险，凸显了电池健康管理作为关键研究领域的重要性。然而，当前仍面临一个重大挑战，即开发一种通用的健康管理方法，以适应不同的电池材料、工作环境以及多样化的任务需求。为应对这一问题，本文提出了一种新颖的多任务健康管理方法，该方法将多任务处理框架与物理信息神经网络相结合。通过共享参数与任务特定参数的协同设计，并结合基于物理规律的特征提取机制，该方法高效地整合了健康状态估计、剩余使用寿命预测以及短期退化路径预测三项...
解读: 该物理信息神经网络多任务学习框架对阳光电源储能系统具有重要应用价值。可直接集成至ST系列PCS和PowerTitan储能系统的BMS中,实现SOH估算(误差0.75%)、RUL预测(误差104循环)和短期退化路径预测的协同管理。其基于恒压充电阶段电压电流数据的特征提取方法,与阳光电源iSolarCl...
一种基于多时间分辨率注意力机制的交互网络用于多种电池状态联合估计
A multi-time-resolution attention-based interaction network for co-estimation of multiple battery states
Ruixue Liu · Benben Jiang · Applied Energy · 2025年3月 · Vol.381
摘要 高效且可靠的电池管理系统依赖于对多个电池状态的精确联合估计，包括荷电状态（SOC）、健康状态（SOH）和剩余使用寿命（RUL）。然而，由于这些状态在不同时间尺度上具有不同的时间分辨率以及复杂的相互作用，特别是在缺乏历史电池数据的情况下，该任务面临显著挑战。为应对这些挑战，本文提出了一种新颖的端到端多时间分辨率注意力机制交互网络（MuRAIN），用于多种电池状态的联合估计，该方法直接利用当前的充放电循环数据，无需历史数据。MuRAIN方法引入了一个多分辨率分块模块，能够从循环数据中智能提取具...
解读: 该多时间分辨率注意力交互网络技术对阳光电源ST系列储能变流器及PowerTitan储能系统的BMS优化具有重要价值。MuRAIN可实现SOC、SOH、RUL的高精度联合估计,无需历史数据即可基于当前循环数据运行,特别适合浅循环工况下的商业储能应用。该技术可集成至iSolarCloud平台,提升预测性...
第 1 / 2 页