Comprehensive Comparative Analysis of Deep-Learning-Based State-of-Charge Estimation Algorithms for Cloud-Based Lithium-Ion Battery Management Systems
Notice bibliographique
Résumé
A modern battery management system (BMS) in electric vehicles plays a crucial role in enhancing battery pack safety, reliability, and performance, particularly in e-transportation applications. To achieve more accurate estimation methods, combining battery digital twinning with cloud computing for computational power and data storage capabilities proves beneficial. Over the last decade, various data-driven state-of-charge (SOC) estimation methods, such as machine learning and deep learning approaches, have been introduced to provide highly precise estimations. The widely used SOC estimation method in the industry is the extended Kalman filter (EKF). To explore and analyze the potential use of SOC estimation in a cloud platform, this paper develops and conducts a comparative analysis of four SOC estimation methods: EKF, Feedforward Neural Network (FNN), Gated Recurrent Unit (GRU), and Long Short-Term Memory (LSTM). These models are deployed in two cloud computing infrastructures, and their accuracy and computing time are thoroughly examined in this study. The study concludes that the EKF method is the fastest and most accurate among all considered methods. It boasts an average execution time of 54.8 ms and a mean absolute error of$\mathbf {2\times 10^{-4}}$when measured over a physical distance of approximately 450 km via the mobile network Long-Term Evolution (LTE).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».