Investigations of Using an Intelligent ANFIS Modeling Approach for a Li-Ion Battery in MATLAB Implementation: Case Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This research paper will propose an incentive topic to investigate the accuracy of an adaptive neuro-fuzzy modeling approach of lithium-ion (Li-ion) batteries used in hybrid electric vehicles and electric vehicles. Based on this adaptive neuro-fuzzy inference system (ANFIS) modeling approach, we will show its effectiveness and suitability for modeling the nonlinear dynamics of any process or control system. This new ANFIS modeling approach improves the original nonlinear battery model and an alternative linear autoregressive exogenous input (ARX) polynomial model. The alternative ARX is generated using the least square errors estimation method and is preferred for its simplicity and faster implementation since it uses typical functions from the MATLAB system identification toolbox. The ARX and ANFIS models’ effectiveness is proved by many simulations conducted on attractive MATLAB R2021b and Simulink environments. The simulation results reveal a high model accuracy in battery state of charge (SOC) and terminal voltage. An accurate battery model has a crucial impact on building a very precise adaptive extended Kalman filter (AEKF) SOC estimator. It is considered an appropriate case study of a third-order resistor-capacitor equivalent circuit model (3RC ECM) SAFT-type 6 Ah 11 V nominal voltage of Li-ion battery for simulation purposes.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle