← 返回
一种面向多工况充电条件的物理信息驱动集成学习电池老化预测方法
A physics-informed ensemble learning method for battery aging prediction across diverse charging conditions
| 作者 | Yanbo Jia · Nan Lu · Nongbo Sun · Hailong Li · Maher Azaza · Rui Xiong |
| 期刊 | Applied Energy |
| 出版日期 | 预计 2026年7月 |
| 卷/期 | 第 414 卷 |
| 技术分类 | 储能系统技术 |
| 技术标签 | 电池管理系统BMS 机器学习 储能变流器PCS 智能化与AI应用 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 |
本文提出一种融合电化学机理与数据驱动的集成学习框架，实现锂电池在不同充电策略下的长期老化趋势高精度预测，提升寿命评估鲁棒性。
S
SunView 深度解读
该研究直接支撑阳光电源PowerTitan和ST系列储能PCS的智能BMS升级：通过嵌入物理约束的机器学习模型，可提升电池健康状态（SOH）在线估算精度，优化充放电策略，延长系统循环寿命。建议将该算法集成至iSolarCloud平台，赋能光储电站的预测性运维，并为户用PowerStack提供差异化老化预警功能。