Intelligent Deep Learning Estimators of a Lithium-Ion Battery State of Charge Design and MATLAB Implementation—A 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
The main objective of this research paper was to develop two intelligent state estimators using shallow neural network (SNN) and NARX architectures from a large class of deep learning models. This research developed a new modelling design approach, namely, an improved hybrid adaptive neural fuzzy inference system (ANFIS) battery model, which is simple, accurate, practical, and well suited for real-time implementations in HEV/EV applications, with this being one of the main contributions of this research. On the basis of this model, we built four state of charge (SOC) estimators of high accuracy, assessed by a percentage error of less than 0.5% in a steady state compared to the 2% reported in the literature in the field. Moreover, these estimators excelled by their robustness to changes in the model parameters values and the initial “guess value” of SOC from 80–90% to 30–40%, performing in the harsh and aggressive realistic conditions of the real world, simulated by three famous driving cycle procedure tests, namely, two European standards, WLTP and NEDC, and an EPA American standard, FTP-75. Furthermore, a mean square error (MSE) of 7.97 × 10−11 for the SOC estimation of the NARX SNN SOC estimator and 5.43 × 10−6 for voltage prediction outperformed the traditional SOC estimators. Their effectiveness was proven by the performance comparison with a traditional extended Kalman filter (EKF) and adaptive nonlinear observer (ANOE) state estimators through extensive MATLAB simulations that reveal a slight superiority of the supervised learning algorithms by accuracy, online real-time implementation capability, in order to solve an extensive palette of HEV/EV applications.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle