找到 2 条结果
基于克拉美-罗界分析的电池/超级电容混合储能系统参数辨识与最大功率估计
Parameter Identification and Maximum Power Estimation of Battery/Supercapacitor Hybrid Energy Storage System Based on Cramer–Rao Bound Analysis
Ziyou Song · Jun Hou · Heath F. Hofmann · Xinfan Lin 等5人 · IEEE Transactions on Power Electronics · 2019年5月
本文针对电池/超级电容混合储能系统（HESS），提出了一种用于状态监测和最大功率估计的参数辨识方法。通过费舍尔信息矩阵分析，推导了考虑电压测量噪声下的参数辨识误差解析界，并进行了实验验证。
解读: 该研究对于阳光电源的PowerTitan和PowerStack等储能系统具有重要价值。通过克拉美-罗界（CRB）分析优化参数辨识精度，可显著提升BMS对电池健康状态（SOH）和功率能力的评估准确性，从而优化PCS的充放电策略。在混合储能方案中，该技术有助于更精准地分配电池与超级电容的功率，延长系统寿...
结合电化学与数据稀疏高斯过程回归的锂离子电池混合建模
Combining electrochemistry and data-sparse Gaussian process regression for lithium-ion battery hybrid modeling
Jackson Fogelquis · Xinfan Lin · Applied Energy · 2025年12月 · Vol.399
摘要 锂离子电池的广泛应用推动了先进电池管理系统（BMS）的同步发展，这些系统旨在通过最先进的控制、诊断和预测技术来最大化安全性和性能。为了实现这些功能，电池模型必须能够准确预测输出电压和物理内部状态，但由于系统不确定性不可避免以及在线计算资源有限，这一目标具有挑战性。为此，本文提出了一种计算高效的混合建模框架，该框架将基于物理原理的电化学电池模型与高斯过程回归（GPR）机器学习模型相结合，以补偿由系统不确定性引起的输出预测误差。该框架的一个关键特征是提出了一种数据采样方法，该方法利用GPR在稀...
解读: 该混合建模技术对阳光电源ST系列储能变流器及PowerTitan系统的BMS优化具有重要价值。通过融合电化学模型与高斯过程回归,可将电压预测误差从119mV降至7.3mV,参数估计精度提升一个数量级,且计算时间比仅为0.003,满足在线应用需求。该方法可直接应用于阳光储能系统的SOC/SOH估算、故...