Estimation of model parameters and state-of-charge for battery management system of Li-ion battery in EVs
Notice bibliographique
Résumé
The Battery Management System (BMS) is responsible for accurate monitoring of the status of the battery (State-of-Charge (SOC)) for maintaining optimal battery performance in Battery Electric Vehicles (BEVs). Ambient temperature is a significant factor that influences the accuracy of SOC estimation, hence electrochemical combined model dependents of temperature was utilized for simulating the dynamic behavior of battery in BMS. Unknown parameters of the battery model are identified using the least square algorithm for Dynamic Stress Test (DST), validation of estimation is conducted for Federal Urban Driving Schedule (FUDS) and concluded that the error between predicated terminal voltage form model and voltage from DST profile was less than 0.08V for defined conditions. Then, for SOC estimation, recursive Bayesian estimation method based Extended Kalman Filtering (EKF), and Sigma-Point Kalman Filtering (SPKF) approaches were adopted. To quantify the performance of the estimators, Root Mean Square Error (RMSE) and execution time at different temperature were evaluated. The evaluation results indicate that maximum error in case of EKF is 2.43% whereas for SPKF is 1.2% and maximum execution time taken by EKF is 3.57 sec whereas for SPKF is 4.53 sec. The results reported that SPKF provides accurate and robust SOC estimation in compared EKF and could be efficiently applied in BMS for BEVS.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».