A Robust Kalman Filter-Based Approach for SoC Estimation of Lithium-Ion Batteries in Smart Homes
Notice bibliographique
Résumé
Battery energy systems are playing significant roles in smart homes, e.g., absorbing the uncertainty of solar energy from root-top photovoltaic, supplying energy during a power outage, and responding to dynamic electricity prices. For the safe and economic operation of batteries, an optimal battery-management system (BMS) is required. One of the most important features of a BMS is state-of-charge (SoC) estimation. This article presents a robust central-difference Kalman filter (CDKF) method for the SoC estimation of on-site lithium-ion batteries in smart homes. The state-space equations of the battery are derived based on the equivalent circuit model. The battery model includes two RC subnetworks to represent the fast and slow transient responses of the terminal voltage. Moreover, the model includes the nonlinear relationship between the open-circuit voltage (OCV) and SoC. The proposed robust CDKF method can accurately estimate the SoC in the presence of the time-varying model uncertainties and measurement noises. Being able to cope with model uncertainties and measurement noises is essential, since they can lead to inaccurate SoC estimations. An experiment test bench is developed, and various experiments are conducted to extract the battery model parameters. The experimental results show that the proposed method can more accurately estimate SoC compared with other Kalman filter-based methods. The proposed method can be used in optimal BMSs to promote battery performance and decrease battery operational costs in smart homes.
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 ».