Two‐layer dynamic economic nonlinear model predictive control for a lithium‐ion battery charge process with random disturbances
Notice bibliographique
Résumé
Abstract The charging process of lithium‐ion batteries is necessary for normal operation, and improper lithium‐ion battery charging strategy can cause side reactions, significant temperature rise, performance degradation, and safety concerns. This paper proposes a two‐layer dynamic economic nonlinear model predictive control economic model predictive control (EMPC) method for lithium‐ion battery charge management in which the non‐Gaussian random noise of voltage and current signal are taken into account. In the two‐layer EMPC, the upper layer finds the optimal reference trajectory, and the power in the future prediction horizon is chosen as an economic indicator to optimize the upper layer. The lower layer tracks the optimal trajectory, and model predictive control based on generalized correntropy is used. The economic cost of the system and the dynamic changes of the process are considered to greatly reduce the computational complexity and realize rapid battery charge management. Finally, the simulation results show that the tracking error of the two‐layer EMPC method based on generalized correntropy is stable around 0, while the tracking error of the two‐layer EMPC method based on MSE is stable around 0.003. The average control action times of the proposed two‐layer EMPC and single‐layer EMPC are 0.0052 and 0.0267 s, respectively. It is verified that the proposed method performs better for the lithium‐ion battery charging process with random disturbances.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».