MétaCan
Menu
Retour à la cohorte
Enregistrement W2131559158 · doi:10.4271/2014-01-1846

Switched-Capacitor Cell Balancing: A Fresh Perspective

2014· article· en· W2131559158 sur OpenAlexaff
Ienkaran Arasaratnam, Jimi Tjong, Saeid Habibi

Notice bibliographique

RevueSAE technical papers on CD-ROM/SAE technical paper series · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Technologies Research
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésCapacitorPerspective (graphical)Switched capacitorComputer scienceOptoelectronicsMaterials scienceElectrical engineeringEngineeringVoltageArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

No two battery cells can be identical. Charging/discharging a battery pack without monitoring cell voltages or SoC (State-of-Charge) will cause cell voltages to deviate over time and the packs useable capacity to decrease quickly. To redistribute charge uniformly among cells, various cell balancing methods have been proposed in the literature. In this paper, a cell balancing method based on a single switched-capacitor is presented from a brand new perspective. Unlike the traditional balancing methods that rely on the voltage divergence criterion, this paper uses the SoC divergence criterion to shuttle charge from a highly charged cell to a poorly charged cell. Moreover, an equivalent resistance of the single-switched capacitor topology is derived in steady state. For fast cell balancing, design guidelines are provided for selecting a proper switching-time period and the capacitor parameters. Ultracapacitors are recommended to achieve this goal. To demonstrate the effectiveness of the proposed method, numerous simulations are performed on a string of five series connected Lithium-ion cells that have different initial SoCs and electrochemical parameters. Finally, the simulation results are compared with that of a traditional balancing method.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,248
Écart entre enseignants0,237 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSAE technical papers on CD-ROM/SAE technical paper seriesMême sujetAdvanced Battery Technologies ResearchTravaux en français237 207