MétaCan
Menu
Retour à la cohorte
Enregistrement W4226469182 · doi:10.4271/2022-01-0697

Microprocessor Execution Time and Memory Use for Battery State of Charge Estimation Algorithms

2022· article· en· W4226469182 sur OpenAlexaff
Mina Naguib, Phillip J. Kollmeyer, Carlos Vidal, Josimar Duque, Oliver Groß, Ali Emadi

Notice bibliographique

RevueSAE technical papers on CD-ROM/SAE technical paper series · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Technologies Research
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésMicroprocessorComputer scienceState (computer science)Battery (electricity)State of chargeAlgorithmEmbedded systemParallel computingPower (physics)

Résumé

récupéré en direct d'OpenAlex

Accurate battery state of charge (SOC) estimation is essential for safe and reliable performance of electric vehicles (EVs). Lithium-ion batteries, commonly used for EV applications, have strong time-varying and non-linear behaviour, making SOC estimation challenging. In this paper, a processor in the loop (PIL) platform is used to assess the execution time and memory use of different SOC estimation algorithms. Four different SOC estimation algorithms are presented and benchmarked, including an extended Kalman filter (EKF), EKF with recursive least squares filter (EKF-RLS) feedforward neural network (FNN), and a recurrent neural network with long short-term memory (LSTM). The algorithms are deployed to two different NXP S32Kx microprocessors and executed in real-time to assess the algorithms' computational load. The algorithms are benchmarked in terms of accuracy, execution time, flash memory, and random access memory (RAM) use. In order to ensure the validity of running these models for multiple cells in the pack, the impact of increasing the number of instances to run each algorithm simultaneously is investigated as well. The results show that the four algorithms present a reasonable accuracy, with less than 5% maximum error. For the more power microprocessor tested, the execution time was found to be 0.24 ms, 0.25 ms, 0.14 ms, and 0.71 ms for the EKF, EKF-RLS, FNN, and LSTM respectively. The neural network SOC estimation algorithms were also demonstrated to have lower RAM use than the EKFs, with less than 1 kB RAM required to run one instance of the estimators. Moreover, the FNN SOC estimation algorithm is found to be a promising option with both low execution time and memory use.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,255
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSAE technical papers on CD-ROM/SAE technical paper seriesMême sujetAdvanced Battery Technologies ResearchTravaux en français237 207