An EV-Scale Demonstration of In-Situ Battery Electrochemical Impedance Spectroscopy and BMS-Limited Pack Performance Analysis
Notice bibliographique
Résumé
State-of-power (SOP) and state-of-charge (SOC) estimation inaccuracy manifests throughout the electric vehicle (EV) battery lifetime due to the nonlinear degradation trajectory that is unique to each use-case. The inaccuracy leads to premature termination of charge and discharge operations, which results in the virtual loss of battery performance. In-situ electrochemical impedance spectroscopy (EIS) has been proposed to provide real-time battery impedance measurements, which can theoretically improve the SOP/SOC estimation accuracy. In this work, an EV-scale in-situ EIS system is demonstrated experimentally, from impedance measurement to equivalent circuit model (ECM) extraction. The pack-level discharge energy versus SOP/SOC estimation errors is also simulated, which quantifies the virtual loss of battery performance. The measured-impedance error tolerance of three common ECM extraction techniques is then examined through a randomized set of simulated EIS tests with injected measurement noise. Finally, in-situ impedance measurement is performed on 20 battery submodules using an electric pickup truck EIS system. The ECM-predicted voltage output is compared against measured driving data. Experimental results indicate approximately 8%–9% improvement in SOP estimation accuracy at 3 <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$^{\circ }$</tex-math></inline-formula> C and 10 <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$^{\circ }$</tex-math></inline-formula> C between the in-situ extracted models and a representative baseline.
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 | 0,001 | 0,002 |
| 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 | 0,002 |
| 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 ».