Lifetime Performance Analysis of Imbalanced EV Battery Packs and Small-Signal Cell Modeling for Improved Active Balancing Control
Notice bibliographique
Résumé
Conventional battery balancing techniques target fast voltage or state-of-charge convergence while improving circuit-level metrics such as power density, efficiency, and component count. System-level metrics, including prolonged pack cycle life, reduced degradation rate, and increased energy capacity, are often overlooked. In this work, the lifetime discharge energy of imbalanced battery packs is quantified and compared using Monte-Carlo-style battery lifetime transient simulations with experimentally captured drive cycles. Computations were carried out across$>$20 000 core-hours on the Niagara supercomputer at the SciNet HPC Consortium. Imbalance was introduced by sampling the cell capacity and impedance values from normal distributions with up to$\sigma$=5% capacity/impedance variation at the beginning-of-life. Conventional balancing techniques are found to have little lifetime energy benefit over no balancing. A linearized equivalent circuit model (L-ECM) technique is introduced for small-signal analysis of battery packs with arbitrary capacity and impedance imbalance. An L-ECM-based balancing control is found to have a lifetime discharge energy improvement of up to 53.2% in the worst-case pack lifetime energy over no balancing. The L-ECM balancing control is demonstrated experimentally to provide 9.2% increased single-cycle discharge energy compared to no balancing in a Tesla Model S battery module.
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) | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».