Robust Data-Driven Battery State of Charge Estimation for Hybrid Electric Vehicles
Notice bibliographique
Résumé
<div>This article presents a method to estimate the State of Charge (SOC) in Lithium-ion batteries of Hybrid Electric Vehicles (HEVs) with Artificial Neural Networks (ANNs). The inputs of the SOC estimation algorithm are the measured values of current, voltage, and temperature. In the article, two different battery packs are considered for a power-split full HEV. The training and validation datasets needed for developing the ANNs are generated exploiting a numerical model of two different configurations of an HEV performing real-world driving missions or the Worldwide Harmonized Light Vehicle Test Procedure (WLTP) cycle, while the testing dataset is collected experimentally on battery cells. Specifically, the capacity values for the considered battery pack sizes are 1.82 kWh and 1.06 kWh. The proposed method uses a Nonlinear AutoRegressive with eXogenous input (NARX) recurrent ANN, which has been observed to have reasonable computational cost in prior research. The performance of the investigated technique is demonstrated by estimating the SOC with a low estimation error for both the considered battery sizes. Coulomb counting is used to compute the reference value of the SOC during the real charge/discharge cycles. An analysis of the robustness of the proposed estimation method to offset errors on the measured input current is also performed.</div>
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 | 0,001 |
| 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 | 0,001 | 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 ».