Deep Learning-Based Battery Voltage Forecasting Using Current as Input: A Multi-Stage Approach for Time Series Prediction
Notice bibliographique
Résumé
This paper introduces a novel approach for forecasting the voltage of the battery by learning the deep neural networks, based on leveraging the concurrent battery current as an input variable. The methodology employs the Long Short-Term Memory model, named LSTM, which is known for its capability to handle long-range dependencies in sequential data. The approach begins with the data pre-processing, where an in-depth analysis of the battery's Equivalent Electric Circuit (EEC) parameters is performed. These parameters are crucial for accurately predicting the battery's voltage response under various conditions. Subsequently, the data undergoes normalization, feature importance determination, windowing, and is split into training and testing sets. The training subset is applied to develop the LSTM-based forecasting model. A key innovation of this approach is the use of a multi-stage forecasting technique, where the LSTM model is trained to predict one step at a time, and then feed the output back into the model for the next prediction. This approach allows the model to dynamically adjust its predictions based on the feedback received from previous steps, enabling more accurate and robust forecasting. The experimental framework evaluates the proposed multi-stage LSTM forecasting model against single-stage LSTM, and other neural networks including a dense layer model, as well as a dense layer model with activation function. The results demonstrate that the multi-stage LSTM approach outperforms other models in terms of Mean Absolute Error (MAE), indicating its superiority for forecasting the voltage of the battery.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».