An Enhanced Electro-Thermal Model for EV Battery Packs Considering Current Distribution in Parallel Branches
Notice bibliographique
Résumé
Large battery packs are used in electric vehicles. Heat is generated when the battery pack is being used. Therefore, it is necessary to predict battery heat generation. An enhanced electro-thermal model is developed to describe the temperature distribution inside a battery pack. It combines the dynamic resistance model and the current distribution model. The resistance model is affected by the thermal and electrical parameters, while the current distribution model considers the interaction between cell status and current variation in the parallel branch. The proposed model can accurately predict the temperature change of cells in the pack under static and dynamic current conditions. Experiments are conducted to validate the prediction accuracy. Most of the average absolute errors (AEave) between the predicted value and test value displayed on the experimental device do not exceed 0.4 °C under static current conditions, and all of them are below 0.1 °C under dynamic current conditions. The two existing models, namely the state-of-charge (SOC)-dependent resistance model [R(SOC)] and SOC-T-dependent resistance model [R(SOC, T)], have AEavevalues of 1.6 and 0.54 °C when the pack is discharged at 0.5 C. In contrast, the AEavevalue achieved by our proposed model is 0.4 °C. Under dynamic current conditions, the maximum AEavesare 0.42 °C for the R(SOC) model, 0.26 °C for the R(SOC, T) model, and 0.16 °C for the proposed model. These results demonstrate that the proposed model provides more accurate predictions of the temperature rise inside the pack than the popular existing models.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».