Application of Deep Neural Networks for Lithium-Ion Battery Surface Temperature Estimation Under Driving and Fast Charge Conditions
Notice bibliographique
Résumé
The temperature of lithium-ion batteries (LIBs) is a critical factor that significantly impacts the performance of the battery. One of the essential roles of the battery management system (BMS) is to monitor and control the temperature of the cells in the battery pack. In this article, two deep neural network (DNN) modeling approaches are used to predict the surface temperature of LIBs. The first model type is based on a feedforward neural network (FNN) enhanced with external filters, while the second model is based on a recurrent neural network (RNN) with long short-term memory (LSTM). These models are trained and tested using experimental data from two batteries, one cylindrical cell, and one pouch cell at a range of driving, fast charging, and health conditions. The proposed models are shown to be capable of estimating temperature with less than 2 °C root-mean-square error (RMSE) for challenging low ambient temperature drive cycles and just 0.3 °C for 4 C rate fast charging conditions. In addition, a model which was trained to estimate the temperature of a new battery cell was found to still have a very low error of just 0.8 °C when tested on an aged cell. Both models are deployed to an NXP S32K344 microprocessor to measure their execution time and memory use. The FNN executes significantly faster on the microprocessor than the LSTM, 0.8 ms compared with 2.5 ms for models with around 3000 learnable parameters, and uses less random access memory (RAM), 0.4 kB compared with 1 kB.
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 | 0,000 | 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 | 0,001 | 0,001 |
| 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 ».