A Comprehensive Review of Lithium-ion Cell Temperature Estimation Techniques Applicable to Health-Conscious Fast Charging and Smart Battery Management Systems
Notice bibliographique
Résumé
Highly nonlinear characteristics of lithium-ion batteries (LIBs) are significantly influenced by the external and internal temperature of the LIB cell. Moreover, cell temperature beyond the manufacturer’s specified safe operating limit could lead to thermal runaway and even fire hazards and safety concerns to operating personnel. Therefore, accurate information of cell internal and surface temperature of LIB is highly crucial for effective thermal management and proper operation of a battery management system (BMS). Accurate temperature information is also essential to BMS for the accurate estimation of various important states of LIB such as state of charge, state of health and so on. High capacity LIB pack, used in electric vehicles and grid-tied stationary energy storage system essentially consists of thousands of individual LIB cells. Therefore, installing a physical sensor at each cell especially at the cell core is not practically feasible from the solution cost, space and weight point of view. A solution is to develop a suitable estimation strategy which led scholars to propose different temperature estimation schemes aiming to establish a balance among accuracy, adaptability, modelling complexity and computational cost. This article presented an exhaustive review of these estimation strategies covering recent developments, current issues, major challenges, and future research recommendations. The prime intention is to provide a detailed guideline to the researchers and industries towards developing a highly accurate, intelligent, adaptive, easy to implement and compute efficient online temperature estimation strategy applicable to health-conscious fast charging and smart onboard BMS.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».