On the Identification of Electrical Equivalent Circuit Models Based on Noisy Measurements
Notice bibliographique
Résumé
Real-time identification of electrical equivalent circuit models (ECMs) is a critical requirement in many practical systems, such as batteries and electric motors. Significant work has been done in the past developing different types of algorithms for system identification using reduced-order ECMs. However, little work was done in analyzing the theoretical performance bounds of these system identification approaches. Given that both voltage and current are measured with error, proper understanding of theoretical bounds will help in designing a system that is economical in cost and robust in performance. In this article, we analyze the performance of a linear recursive least squares (RLS) approach to ECM identification and show that the LS approach is both unbiased and efficient when the signal-to-noise ratio is high enough. However, we show that when the signal-to-noise ratio is low-resembling the case in many practical applications-the LS estimator becomes significantly biased. Consequently, we develop a parameter estimation approach based on the total LS method and show it to be asymptotically unbiased and efficient at practically low signal-to-noise ratio regions. Further, we develop a recursive implementation of the total least square algorithm and find it to be slow to converge; for this, we employ a Kalman filter to improve the convergence speed of the total LS method. The resulting total Kalman filter (TKF) is shown to be both unbiased and efficient in ECM identification. The performance of this filter is analyzed using real-world current profiles under fluctuating signal-to-noise ratios. Finally, the applicability of the algorithms and analysis in this article in identifying higher-order electrical ECMs is explained.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».