Regression based battery state of health estimation for multiple electric vehicle fast charging protocols
Notice bibliographique
Résumé
In this work, a data-driven estimation method is developed to estimate the battery state of health (SOH), exploiting SOH features that can be obtained during fast-charging events. A newly expanded experimental dataset with six cells, cycled 1200 to 1800 times until 70% SOH is reached, is used and made available. Our investigation focuses on the variability that can be encountered in charging events due to different charging protocols (particularly for fast charging) and partial charging events. In particular, we investigated nine different SOH features, introducing novel formulations to increase their flexibility with respect to different charging events. Then, we assessed the practical implementability of these features and employed correlation and feature importance analyses to identify the most effective. Finally, we developed a linear regression model for SOH estimation using the selected features as inputs. The model shows an RMS prediction error as low as 1.09% over the battery lifetime and a maximum error no greater than 3.5% until SOH falls below 80%, corresponding to the end-of-life for automotive applications. The estimator is also shown to be robust against significant errors of the state of charge (SOC) input value (as high as 5%), ensuring it will perform well even when SOC is not accurately known. • Data-Driven SOH Estimation exploiting charging events. • Robust across different fast charging protocols. • Robust with respect to SOC estimation errors. • Validation on extended dataset. • Low-computational-effort suitable for online BMS.
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 | 0,001 | 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 ».