找到 2 条结果
一种电动汽车锂离子电池膝点直接预测的混合算法
A Hybrid Algorithm for Direct Knee Point Prediction of Lithium-Ion Battery in Electric Vehicle
Tiancheng Ouyang · Yingying Su · Weijie Peng · Longde Su · IEEE Transactions on Power Electronics · 2026年3月
针对现有锂电池膝点预测方法依赖早期循环数据且通用性差的问题，本文提出了一种直接预测算法。该方法仅需电池前10次循环的数据即可实现可靠的膝点预测，并结合迁移学习算法提升了模型的泛化能力。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack及户用储能）具有极高价值。锂电池的“膝点”（容量衰减加速点）是评估储能系统寿命和安全性的关键指标。通过引入该直接预测算法，阳光电源的iSolarCloud智能运维平台可实现更精准的电池健康状态（SOH）监测与寿命预警，显著降低运维...
一种基于电磁声纹的IGBT器件多工况老化状态诊断方法
An Electromagnetic Voiceprint Method for Aging Condition Diagnosis of IGBT Devices Under Multiple Operating Conditions
Shuzhi Wen · Bingkun Wei · Lisha Peng · Shisong Li 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年5月
功率器件的健康状态监测对其安全可靠运行至关重要。近年来，开关瞬态电磁声纹（EMVP）信号成为评估器件健康状态的新颖指标。然而，现有基于EMVP的老化状态识别依赖人工判读，准确率较低。本文提出一种适用于多种工况的IGBT器件电磁声纹健康监测方法，构建了时空特征融合交叉注意力神经网络用于老化状态识别。实验结果表明，该网络对IGBT老化状态的识别准确率超过95%。同时引入迁移学习策略，提升了模型在小样本数据下的有效性与泛化能力，实现了多工况下IGBT器件老化状态的快速精确评估。
解读: 该IGBT电磁声纹诊断技术对阳光电源核心产品线具有重要应用价值。在ST系列储能变流器和PowerTitan大型储能系统中，IGBT作为关键功率器件，其健康状态直接影响系统可靠性。该方法通过时空特征融合神经网络实现95%以上的老化识别准确率，可集成至iSolarCloud智能运维平台，实现从人工判读到...