A Comparative Study between Physics, Electrical and Data Driven Lithium-Ion Battery Voltage Modeling Approaches
Notice bibliographique
Résumé
This paper benchmarks three different lithium-ion (Li-ion) battery voltage modelling approaches, a physics-based approach using an Extended Single Particle Model (ESPM), an equivalent circuit model, and a recurrent neural network. The ESPM is the selected physics-based approach because it offers similar complexity and computational load to the other two benchmarked models. In the ESPM, the anode and cathode are simplified to single particles, and the partial differential equations are simplified to ordinary differential equations via model order reduction. Hence, the required state variables are reduced, and the simulation speed is improved. The second approach is a third-order equivalent circuit model (ECM), and the third approach uses a model based on a Long Short-Term Memory Recurrent Neural Network (LSTM-RNN)). A Li-ion pouch cell with 47 Ah nominal capacity is used to parameterize all the models. The models are tested and compared using four standard drive cycles at six ambient temperatures ranging from -200C to 40 0C. The proposed models are benchmarked using various qualitative and quantitative means including, accuracy, engineering effort to parametrize and create the model, and the ability of each model to represent the nonlinear behavior of the battery. The comparison between the three models shows that the ECM and the LSTM models have better accuracy than the ESPM. However, the ESPM requires a reduced set of calibration data, is highly capable of incorporating the complex nonlinear behavior of the battery, and the parameters have physical meaning.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».