Performance Analysis of Empirical Open-Circuit Voltage Modeling in Lithium-Ion Batteries, Part-2: Data Collection Procedure
Notice bibliographique
Résumé
Battery management systems (BMSs) rely on the prior characterization of the open circuit voltage (OCV) against the state of charge (SOC) for accurate SOC estimation in real-time. The OCV-SOC characterization is done offline in a laboratory setting using sample batteries. Various quantities defined for the OCV-SOC characterization process may determine the performance indicators of the battery, such as battery capacity, SOC and available power. Clearly defined OCV-SOC characterization will result in better performance and predictability of the BMS in electric vehicle applications. This paper is the second part of a series of papers about empirical approaches to open-circuit voltage (OCV) modeling and its performance comparison in lithium-ion batteries. The first part of the series introduced various sources of uncertainties in the OCV models and established a theoretical relationship between uncertainties and the performance of a battery management system. In this paper, clearly defined approaches for low-rate OCV data collection are described in detail. The data collection is designed with consideration to several parameters that affect the experimental time and the performance of the BMS. Based on the proposed approach, data is collected from 16 battery cells through 28 different experiments and analyzed. The results demonstrate the importance of a clearly defined data collection plan for the accuracy of SOC estimation in battery management systems.
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 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».