MétaCan
Menu
Retour à la cohorte
Enregistrement W4399468791 · doi:10.11591/ijece.v14i4.pp3640-3648

Active balancing system in battery management system for Lithium-ion battery

2024· article· en· W4399468791 sur OpenAlexaff
Stephanie Ness, Younes Boujoudar, Ayman Aljarbouh, Lahcen El Iysaouy, Mohamed Azeroual, Fatima Zahra Bassine, Mayur Rele

Notice bibliographique

RevueInternational Journal of Power Electronics and Drive Systems/International Journal of Electrical and Computer Engineering · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Technologies Research
Établissements canadiensParachute
Organismes subventionnairesnon disponible
Mots-clésBattery (electricity)Battery packComputer scienceContext (archaeology)State of chargeElectronicsEnergy managementMATLABVoltageLithium-ion batteryElectrical engineeringPower (physics)Automotive engineeringReliability engineeringEngineeringEnergy (signal processing)

Résumé

récupéré en direct d'OpenAlex

The existing battery management systems perform many functions, such as simply monitoring the battery's voltage, current, and temperature for the most basic and compensating energy imbalances between battery cells for the most advanced systems. In this last example, the function balancing helps protect the battery from obtaining a better lifespan. However, these systems with such functions remain complex because they involve techniques specific to power electronics and energy conversion. The number of components, implementation complexity, and cost increased. The work presented in this paper fits directly into this context. The main objective is to provide a solution to the problem of battery management and careful pack cell balancing. The proposed system aims to balance the battery pack cells based on the intermediate state of charge by charging or discharging the imbalanced cell. The implementation of the proposed control strategy was for a battery pack composed of five cells under MATLAB/Simulink.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0100,002

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,230
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Power Electronics and Drive Systems/International Journal of Electrical and Computer EngineeringMême sujetAdvanced Battery Technologies ResearchTravaux en français237 207