找到 2 条结果
使用深度学习方法预测锂离子电池健康状态退化
Lithium-Ion Battery State of Health Degradation Prediction Using Deep Learning Approaches
Talal Alharbi · Muhammad Umair · Abdulelah Alharbi · IEEE Access · 2025年1月
及时预测锂离子电池健康状态对电池管理和寿命至关重要。传统集中式深度学习模型显示良好结果，但因需在单个节点收集和训练数据引发数据隐私担忧。本研究通过利用集中式即深度学习和分散式即联邦学习方法应对该挑战进行健康状态预测。使用包含充放电循环的NASA电池数据集进行模型训练和评估。集中式方法使用三种深度学习架构：1D卷积神经网络、CNN加长短期记忆网络和CNN加门控循环单元。1D CNN模型性能最佳展示强大预测能力，因此分散式学习即联邦学习中1D CNN模型与联邦平均技术在五个客户端使用，允许本地训练无...
解读: 该联邦学习电池诊断技术对阳光电源储能系统数据安全具有重要价值。阳光管理的大规模储能电站涉及海量电池数据，数据隐私和安全是核心关切。该联邦学习方法可在不上传原始数据的情况下实现全局模型优化，阳光可将该技术应用于BMS系统，实现跨电站的电池健康状态模型协同训练，提升诊断精度同时保护用户数据隐私，符合数据...
一种用于低压直流的光伏阵列串联集成简单高效功率处理架构
A Simple and Efficient Power Processing Architecture With Series Integration of PV Array for LVDC
Ali Faisal Murtaza · Talal Alharbi · IEEE Transactions on Industrial Informatics · 2025年6月
本文提出了一种简单有效的功率处理架构，其中针对低压直流（LVDC）系统引入了太阳能光伏（PV）阵列的串联集成。在低压直流系统中，有两到三个电压等级（±375 V和48 V）的母线可用。这为所提出的架构的形成奠定了基础，在该架构中，直流 - 直流转换器的并联集成以及48 V和375 V电压等级之间光伏阵列的串联集成成为可能。这确保了通过直流 - 直流转换器进行的功率处理显著减少，减少幅度相当于375 - $V_{pv}$，从而提高了光伏电站的效率。此外，所提出的架构还具有以下优点。其一，不影响最大...
解读: 从阳光电源的业务视角来看，这篇论文提出的LVDC系统串联光伏阵列架构具有显著的技术价值和应用潜力。该方案通过在48V和375V电压等级之间实现光伏阵列串联集成与DC-DC变换器并联集成，有效降低了功率电子器件的处理容量，这与我司一直追求的高效率、低成本解决方案理念高度契合。 从产品创新角度，该架构...