.png){kind=icon}
返回
Physics-informed operator learning for real-time battery state estimation
.png){kind=icon}
OA
AI
DOI：10.1016/j.apenergy.2025.126987.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 物理信息神经网络算子实现了电池状态实时估计。
• MIONet在计算效率上超越了OCFE和Padé方法。
• 在动态EV和HEV运行条件下实现了鲁棒性SOC预测。
• 具有通用性的框架，可适配于不同电池化学体系和设计。
• 基于电化学模型的观测器在准确性和精度上优于ECM。
Keyword:
Battery management system
Operator learning
Physics-informed
Model order reduction
Online state estimation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
11
论文数:
2.6W
被引数:
17.8W
机构
暂无机构信息
引用论文
Review-Dynamic Models of Li-Ion Batteries for Diagnosis and Operation: A Review and Perspective用于诊断和操作的锂离子电池的回顾-动态模型: 回顾和展望OAAI
OAAI分享收藏分享收藏Y. Li, D. Karunathilake, D. M. Vilathgamuwa, Y. Mishra, T. W. Farrell, C. Zou, et al., Model order reduction techniques for physics-based lithium-ion battery management: A survey, IEEE Industrial Electronics Magazine 16 (3) (2021) 36–51.Y. Li, D. Karunathilake, D. M. Vilathgamuwa, Y. Mishra, T. W. Farrell, C. Zou, 等., 基于物理的锂离子电池管理模型降阶技术综述, IEEE 工业电子杂志 16 (3) (2021) 36–51..png)
IF0
PREAI
分享收藏Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators基于算子通用逼近定理的DeepONet非线性算子学习OAAI
OAAI分享收藏
查看更多内容