Lithium-Ion Battery Health Estimation Using an Adaptive Dual Interacting Model Algorithm for Electric Vehicles
Notice bibliographique
Résumé
To ensure reliable operation of electrical systems, batteries require robust battery monitoring systems (BMSs). A BMS’s main task is to accurately estimate a battery’s available power, referred to as the state of charge (SOC). Unfortunately, the SOC cannot be measured directly due to its structure, and so must be estimated using indirect measurements. In addition, the methods used to estimate SOC are highly dependent on the battery’s available capacity, known as the state of health (SOH), which degrades as the battery is used, resulting in a complex problem. In this paper, a novel adaptive battery health estimation method is proposed. The proposed method uses a dual-filter architecture in conjunction with the interacting multiple model (IMM) algorithm. The dual filter strategy allows for the model’s parameters to be updated while the IMM allows access to different degradation rates. The well-known Kalman filter (KF) and relatively new sliding innovation filter (SIF) are implemented to estimate the battery’s SOC. The resulting methods are referred to as the dual-KF-IMM and dual-SIF-IMM, respectively. As demonstrated in this paper, both algorithms show accurate estimation of the SOC and SOH of a lithium-ion battery under different cycling conditions. The results of the proposed strategies will be of interest for the safe and reliable operation of electrical systems, with particular focus on electric vehicles.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».