找到 3 条结果
基于自适应神经网络的电池荷电状态
SOC）预设时间观测器
Chenyang Pan · Zhaoxia Peng · Shichun Yang · Guoguang Wen 等5人 · IEEE Transactions on Power Electronics · 2023年1月
收敛速度是评估电池荷电状态（SOC）估算性能的关键指标。本文提出了一种基于自适应径向基函数（RBF）神经网络的预设时间观测器，用于提升SOC估算的收敛速度。该方法利用自适应RBF神经网络逼近电池等效电路模型中的非线性部分，并实现参数的在线更新，从而在预设时间内实现高精度的SOC状态估计。
解读: 该技术对阳光电源的储能业务（如PowerTitan、PowerStack系列）具有极高价值。SOC估算的精度与收敛速度直接决定了储能系统的可用容量利用率及运行安全性。引入预设时间观测器和神经网络算法，可有效解决电池老化导致的非线性模型失准问题，提升BMS在复杂工况下的估算鲁棒性。建议研发团队将其集成...
考虑容量再生现象的基于最大相关熵滤波的SOH自适应融合估计方法
Maximum Correntropy Filter-Based Adaptive Fusion Method for SOH Estimation Considering Capacity Regeneration Phenomenon
Chenyang Pan · Zhaoxia Peng · Shichun Yang · Guoguang Wen 等5人 · IEEE Transactions on Power Electronics · 2025年3月
锂离子电池健康状态（SOH）的准确估计对电动汽车及储能系统的安全至关重要。针对电池老化过程中不可避免的“容量再生”现象导致的退化率波动及估计精度下降问题，本文提出了一种基于最大相关熵滤波的自适应融合估计方法，有效提升了复杂工况下电池SOH的预测精度与鲁棒性。
解读: 该技术对阳光电源的PowerTitan和PowerStack等储能系统具有极高的应用价值。电池容量再生现象会导致BMS在估算SOH时产生偏差，进而影响储能电站的可用容量评估与运维策略。引入最大相关熵滤波算法，能够显著提升BMS在复杂充放电工况下的SOH估计精度，优化电池组的一致性管理。建议将该算法集...
基于往复式移动视界估计的快速收敛车载锂离子电池荷电状态估计
Fast Convergent On-Board Li-Ion Battery State-of-Charge Estimation via Back-Forth Moving Horizon Estimation
Zhihao Liu · Yu Xiao · Yuan Yuan · Xiaodong Xu 等6人 · IEEE Transactions on Power Electronics · 2025年9月
准确的荷电状态（SOC）估计对锂离子电池的安全运行至关重要。针对现有方法对初始SOC敏感及计算复杂度高的问题，本研究提出了一种车载往复式移动视界估计（BFMHE）框架，在保证高精度和鲁棒性的同时，显著提升了计算效率，适用于车载电池管理系统。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack及户用储能系统）具有极高的应用价值。SOC估计的精度与收敛速度直接决定了储能系统的可用容量及运行安全性。BFMHE框架通过优化计算复杂度，能够有效提升BMS在复杂工况下的状态感知能力，减少对初始值的依赖，从而提升系统在电网侧、工商...