Soft Sensors for State of Charge, State of Energy, and Power Loss in Formula Student Electric Vehicle
Notice bibliographique
Résumé
The proliferation of electric vehicle (EV) technology is an important step towards a more sustainable future. In the current work, two-layer feed-forward artificial neural-network-based machine learning is applied to design soft sensors to estimate the state of charge (SOC), state of energy (SOE), and power loss (PL) of a formula student electric vehicle (FSEV) battery-pack system. The proposed soft sensors were designed to predict the SOC, SOE, and PL of the EV battery pack on the basis of the input current profile. The input current profile was derived on the basis of the designed vehicle parameters, and formula Bharat track features and guidelines. All developed soft sensors were tested for mean squared error (MSE) and R-squared metrics of the dataset partitions; equations relating the derived and predicted outputs; error histograms of the training, validation, and testing datasets; training state indicators such as gradient, mu, and validation fails; validation performance over successive epochs; and predicted versus derived plots over one lap time. Moreover, the prediction accuracy of the proposed soft sensors was compared against linear or nonlinear regression models and parametric structure models used for system identification such as autoregressive with exogenous variables (ARX), autoregressive moving average with exogenous variables (ARMAX), output error (OE) and Box Jenkins (BJ). The testing dataset accuracy of the proposed FSEV SOC, SOE, PL soft sensors was 99.96%, 99.96%, and 99.99%, respectively. The proposed soft sensors attained higher prediction accuracy than that of the modelling structures mentioned above. FSEV results also indicated that the SOC and SOE dropped from 97% to 93.5% and 93.8%, respectively, during the running time of 118 s (one lap time). Thus, two-layer feed-forward neural-network-based soft sensors can be applied for the effective monitoring and prediction of SOC, SOE, and PL during the operation of EVs.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».