Novel Technique for Estimation of Cell Parameters Using MATLAB/Simulink
Notice bibliographique
Résumé
The main source of power in Electric Vehicles (EVs) is derived from batteries. An efficient cell model is extremely important for the development of complex algorithms like core temperature estimation, State of Health (SOH) estimation and State of Charge (SOC) estimation. In this paper, a new methodology for improving the SOC estimation using Equivalent Cell Model (ECM) approach is proposed. The modeling and simulations were performed using MATLAB/Simulink software. In this regard, a Li polymer cell was modeled as a single Resistor-Capacitor (RC) pair (R0, R1 and C1) model using PowerTrain blockset in MATLAB/Simulink software. To validate the developed model, a NASA dataset was used as the reference dataset. The cell model was tuned against the NASA dataset for different currents in such a way that the error in the terminal voltages (difference in terminal voltage between the dataset and the ECM) is <±0.2 V. The mean error and the standard deviation of the error were 0.0529 and 0.0310 respectively. This process was performed by tuning the cell parameters. It was found that the cell parameters were independent of the nominal capacity of the cell. The cell parameters of Li polymer and the Li ion cells (NASA dataset) were found be almost identical. These parameters showed dependence on SOC and temperature. The major challenge in a battery management system is the parameter estimation and prediction of SOC, this is because the degradation of battery is highly nonlinear in nature. This paper presents the parameter estimation and prediction of state of charge of Li ion batteries by implementing different machine learning techniques. The selection of the best suited algorithm is finalized through the performance indices mainly by evaluating the values of R- Squared. The parameters were trained using various Machine Leaning (ML) techniques for regression data analysis using Simulink. A study on Support Vector Machine (SVM) technique was carried out for the simulated and tuned data. It is concluded that the SVM algorithm was best suited. A detailed analysis on the errors associated with the algorithms was also carried out. Later, these parameters were trained using various Machine Leaning (ML) techniques for regression data analysis using Simulink. A study on SVM technique was carried out for the simulated and tuned data. It is concluded that the SVM algorithm was best suited. A detailed analysis on the errors associated with the algorithms was also carried out.
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».