Interacting Multiple Model Strategy for Electric Vehicle Batteries State of Charge/Health/ Power Estimation
Notice bibliographique
Résumé
States estimation of lithium-ion batteries is an essential element of Battery Management Systems (BMS) to meet the safety and performance requirements of electric and hybrid vehicles. Accurate estimations of the battery's State of Charge (SoC), State of Health (SoH), and State of Power (SoP) are essential for safe and effective operation of the vehicle. They need to remain accurate despite the changing characteristics of the battery as it ages. This paper proposes an online adaptive strategy for high accuracy estimation of SoC, SoH and SoP to be implemented onboard of a BMS. A third-order equivalent circuit model structure is considered with its state vector augmented with two more variables for estimation including the internal resistance and SoC bias. An Interacting Multiple Model (IMM) strategy with a Smooth Variable Structure Filter (SVSF) is then employed to determine the SoC, internal resistance, and SoC bias of a battery. The IMM strategy results in the generation of a mode probability that is related to battery aging. This mode probability is then combined with an estimation of the battery's internal resistance to determine the SoH. The estimated internal resistance and the SoC are then used to determine the battery SoP which provides a complete estimation of the battery states of operation and condition. The efficacy of the proposed condition-monitoring strategy is tested and validated using experimental data obtained from accelerated aging tests conducted on Lithium Polymer automotive battery cells.
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 | 0,001 |
| 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 ».