Application of Artificial Intelligence to State-of-Charge and State-of-Health Estimation of Calendar-Aged Lithium-Ion Pouch Cells
Notice bibliographique
Résumé
Accurate State-of-Charge (SOC) and State-of-Health (SOH) estimation of lithium-ion batteries (LIBs) is essential for the battery management system (BMS). For the first time, a feed-forward artificial neural network (ANN) has been used to estimate SOC of calendar-aged lithium-ion pouch cells. Calendar life data has been generated by applying galvanostatic charge/discharge cycle loads at different storage temperature (35°C and 60°C) and conditions (fully-discharged and fully-charged). The data has been obtained at various C-rates for duration of 10 months at one-month intervals. In order to include LIB hysteresis effect, two separate ANNs have been trained for charge and discharge data. The ANN have achieved a Root Mean Square Error (RMSE) of 1.17% over discharge data and 1.81% over charge data, confirming the ability of the network to capture input-output dependency. The calendar-aged battery data at various degradation conditions has been employed to train a new ANN to estimate SOH. The ANN has shown RMSE of 1.67%, demonstrating the network capability to estimate SOH. This study highlights the importance of considering aging effects in SOC estimates and the ability of ANN to include these effects efficiently.
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 | 0,000 | 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 ».