An Unsupervised Domain Adaptation Framework for Cross-Conditions State of Charge Estimation of Lithium-Ion Batteries
Notice bibliographique
Résumé
With the rapid development of deep learning (DL), battery state of charge (SOC) estimation has made major strides. However, the batteries’ inconsistency and changing working conditions lead to the distribution discrepancy across domains, which further affects the prediction accuracy of the pre-trained model. Moreover, collecting sufficient and labeled data is labor-intensive to gain a well-performed SOC estimator. To overcome these drawbacks, this article proposes a novel SOC estimation framework based on adversarial domain adaptation. Firstly, a distinctive SOC estimator is constructed and trained to capture the mapping relationship between the original input and the battery SOC based on the offline source dataset with a specific working condition. Then, an adversarial network with a reconstruction module and maximum mean discrepancy (MMD) constraint is designed to extract the domain-invariant features and decrease distribution discrepancy across domains. Thus, the pre-trained model could be transferred to the different working conditions using only the limited and unlabeled target data. Experimental results demonstrate that the best cross-domain root mean square error (RMSE) of the proposed transfer framework is 1.33%, 2.57%, and 1.45% for fixed ambient temperatures, changing ambient temperatures, and changing battery type, respectively, indicating that this framework emerges as a promising solution for the precise battery SOC cross-domain estimation.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».