State of Charge Estimation of Lithium-Ion Batteries: Comparison of GRU, LSTM, and Temporal Convolutional Deep Neural Networks
Notice bibliographique
Résumé
Accurate state of charge (SOC) estimation of lithium-ion batteries (LIBs) is essential to ensure safe and reliable battery operation. A simple way to obtain the SOC is by integrating the charge withdrawn or inserted into the battery. However, this coulomb counting method is often inaccurate due to accumulated error associated with current sensor offset or bias error. Hence, estimators are often used to report the SOC values by monitoring the battery's measured parameters. In this study, three deep neural network (DNN) -based SOC estimators are benchmarked, including a gated recurrent unit (GRU), long short-term memory layer (LSTM), and temporal convolutional neural network (TCN). The networks are trained to estimate the SOC of a prismatic battery at five ambient temperatures ranging from -20 to 40°C. The results show that the optimum configuration of the three DNN types estimates SOC with less than 2% root mean square and 60% maximum error. The GRU shows slightly higher error and lower computational resources than the LSTM and TCN, which was most evident for challenging cases such as drive cycles at -20°C. The TCN is shown to require around 250,000 learnable parameters and thus seven times higher execution time to achieve similar accuracy as an LSTM or GRU RNN with just 3,000 learnable parameters.
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 | 0,000 | 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 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 ».