Data-driven lithium-ion battery capacity estimation from voltage relaxation
Notice bibliographique
Résumé
Abstract Accurate capacity estimation is critical for reliable and safe operation of lithium-ion batteries. A proposed approach exploiting features from the relaxation voltage curve enables battery capacity estimation without requiring previous cycling information. Machine learning methods are used in the approach. A dataset including 27,330 data units are collected from batteries with LiNi0.86Co0.11Al0.03O2 cathode (NCA battery) cycled at different temperatures and currents until reaching about 71% of their nominal capacity. One data unit comprises three statistical features (variance, skewness, and maxima) derived from the relaxation voltage curve after fully charging and the following discharge capacity for verification. Models adopting machine learning methods, i.e., ElasticNet, XGBoost, Support Vector Regression (SVR), and Deep Neural Network (DNN), are compared to estimate the battery capacity. Both XGBoost and SVR methods show good predictive ability with 1.1 % root-mean-square error (RMSE). The DNN method presents a 1.5% RMSE higher than that obtained using ElasticNet and SVR. 30,312 data units are extracted from batteries with LiNi0.83Co0.11Mn0.07O2 cathode (NCM battery). The model trained by the NCA battery dataset is verified on the NCM battery dataset without changing model weights. The test RMSE is 3.1% for the XGBoost method and 1.8% RMSE for the DNN method, indicating the generalizability of the capacity estimation approach utilizing battery voltage relaxation.
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 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».