Battery temperature estimation at wide C-rates using the LSTM model based on polarization characteristics
Notice bibliographique
Résumé
Data-driven based approaches have achieved significant results in estimating battery temperature. Nevertheless, the present challenge emanates from the dearth of theoretical guidance governing the training strategy of the model, leading to an inefficient training process and constrained accuracy, especially under specific conditions. In this paper, a Long Short-Term Memory (LSTM) neural network based on polarization characteristics is proposed to estimate the battery discharge temperature. Firstly, the LSTM temperature estimation model is established and the hyperparameters are optimized by Genetic Algorithm (GA). The results show that the accuracy of the traditional model is less satisfactory, with the Maximum Error (ME) of 3.79 °C. Subsequently, the voltage and polarization heat production characteristics of the battery are analyzed under various discharge conditions . It is found that the heat production of the battery is smaller at 0–1.5C, and the heat production characteristics are similar at medium-rate, but the change of heat production is significant when C-rate exceeds 3C. Finally, a LSTM temperature estimation model based on polarization characteristics is proposed, which divides the datasets according to heat production characteristics. Further, a strategy for predicting temperatures in later stages based on limited data from the current condition is also proposed, this mothed combines with the transfer learning method to rapidly develop models for different high-rate conditions. The ME of the model on the test set is 1.1 °C, and the training time is reduced by 32.93 s. The results show that the LSTM temperature estimation model based on polarization characteristics has higher accuracy and training efficiency than the traditional LSTM temperature estimation model.
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 ».