Comparison of Optimization Techniques for Lithium-Ion Battery Model Parameter Estimation
Notice bibliographique
Résumé
Due to rising fuel prices and environmental concerns, Electric Vehicles (EVs) and Hybrid Electric Vehicles (HEVs) have been gaining market share as fuel-efficient, environmentally friendly alternatives. Lithium-ion batteries are commonly used in EV and HEV applications because of their high power and energy densities. During controls development of HEVs and EVs, hardware-in-the-loop simulations involving real-time battery models are commonly used to simulate a battery response in place of a real battery. One physics-based model which solves in real-time is the reduced-order battery model developed by Dao et al. [1], which is based on the isothermal model by Newman [2] incorporating concentrated solution theory and porous electrode theory [3]. The battery models must be accurate for effective control; however, if the battery parameters are unknown or change due to degradation, a method for estimating the battery parameters to update the model is required. A set of manufacturer recommended battery parameters were evaluated using a numerical sensitivity analysis to evaluate their identifiability. The parameters chosen to be identified were εp, εs and brugg. The optimization algorithms that were evaluated for parameter estimation were: Self-Adaptive Evolution, Efficient Global Optimization, Differential Evolution, and Simulated Annealing. These algorithms were evaluated based on how many simulation calls were required to converge to an accuracy of 1e-4. Differential Evolution was shown to have the best performance in estimating the parameters, requiring an average of 1485 simulations to converge.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».