Smart Core and Surface Temperature Estimation Techniques for Health-Conscious Lithium-Ion Battery Management Systems: A Model-to-Model Comparison
Notice bibliographique
Résumé
Estimation of core temperature is one of the crucial functionalities of the lithium-ion Battery Management System (BMS) towards providing effective thermal management, fault detection and operational safety. It is impractical to measure the core temperature of each cell using physical sensors, while at the same time implementing a complex core temperature estimation strategy in onboard low-cost BMS is also challenging due to high computational cost and the cost of implementation. Typically, a temperature estimation scheme consists of a heat generation model and a heat transfer model. Several researchers have already proposed ranges of thermal models with different levels of accuracy and complexity. Broadly, there are first-order and second-order heat resistor–capacitor-based thermal models of lithium-ion batteries (LIBs) for core and surface temperature estimation. This paper deals with a detailed comparative study between these two models using extensive laboratory test data and simulation study. The aim was to determine whether it is worth investing towards developing a second-order thermal model instead of a first-order model with respect to prediction accuracy considering the modeling complexity and experiments required. Both the thermal models along with the parameter estimation scheme were modeled and simulated in a MATLAB/Simulink environment. Models were validated using laboratory test data of a cylindrical 18,650 LIB cell. Further, a Kalman filter with appropriate process and measurement noise levels was used to estimate the core temperature in terms of measured surface and ambient temperatures. Results from the first-order model and second-order models were analyzed for comparison purposes.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».