2022年4月20日 · 精确估计锂离子电池荷电状态(state of charge, SOC)、电池健康度(state of health,SOH)以及预测电池剩余寿命(remaining useful life,RUL)是电池管理的重要内容,对延长电池寿命和确保电池系统可信赖性具有重要意义。
2019年10月12日 · 北极星储能网获悉,12月17日,江苏省能源部门主要负责人在国网南京供电公司"阳光电智慧能"电力宁满意营商环境发布会上披露：截至11月底
2024年11月26日 · 为此,本工作提出基于递归图多尺度特征的锂离子电池剩余寿命预测方法,用于解决从一维状态信号中提取关键退化特征的局限性。 鉴于递归图像内蕴含丰富的时空退化特征,首先,构建深度学习多尺度特征提取架构,通过可变大小的感受野,识别同一电压区域在多个周期内的时间维度变化以及相邻电压区域之间空间维度的递归图像时空演变,进而提取深层多尺度特
2024年10月24日 · 精确预测锂电池的剩余寿命,对于电池管理系统 (BMS) 的优化、电池更换策略的制定以及保障设备安全方位可信赖运行至关重要。 本文将探讨利用Matlab平台,基于自回归积分滑动平均模型 (ARIMA) 对锂电池寿命进行预测的方法,并对模型的性能进行分析。
2024年5月6日 · 为此,本工作提出基于递归图多尺度特征的锂离子电池剩余寿命预测方法,用于解决从一维状态信号中提取关键退化特征的局限性。 鉴于递归图像内蕴含丰富的时空退化特征,首先,构建深度学习多尺度特征提取架构,通过可变大小的感受野,识别同一电压区域在多个周期内的时间维度变化以及相邻电压区域之间空间维度的递归图像时空演变,进而提取深层多尺度特
2024年5月22日 · 锂电池因其较高的能量密度、较长的循环寿命以及良好的电化学稳定性,在便携电子设备、电动汽车以及大规模储能系统中得到了广泛的应用,但其性能会随使用时间增长而逐渐衰减。
2024年9月19日 · 精确预测锂电池剩余寿命 (Remaining Useful Life, RUL) 对电池管理系统 (Battery Management System, BMS) 的安全方位性和可信赖性至关重要。 近年来,基于深度学习的锂电池RUL预测方法取得了显著进展。
2024年11月30日 · 精确预测锂电池的剩余寿命 (Remaining Useful Life, RUL) 对保障设备安全方位运行、优化电池管理策略以及降低维护成本至关重要。 传统的RUL预测方法,例如基于物理模型的方法和简单的机器学习方法,往往难以捕捉电池复杂的退化机理以及数据中的非线性特征,预测精确度
2024年10月25日 · 通过深度融合传统电池科学与前沿信息学技术,期望攻克电池管理系统 (battery management system,BMS)中的一系列核心难题,诸如精确准估算电池的充电状态 (state of charge,SOC)、健康状态 (state of health,SOH)、优化热管理策略及有效预测电池老化进程。 BMS作为保障锂离子电池安全方位高效运行的关键系统,通过实时采集并分析电池的充电/放电循