LSTM-Based State-of-Charge Estimation and User Interface Development for Lithium-Ion Battery Management
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
State-of-charge (SOC) estimation is pivotal in optimizing lithium-ion battery management systems (BMSs), ensuring safety, performance, and longevity across various applications. This study introduces a novel SOC estimation framework that uniquely integrates Long Short-Term Memory (LSTM) neural networks with Hyperband-driven hyperparameter optimization, a combination not extensively explored in the literature. A comprehensive experimental dataset is created using data of LG 18650HG2 lithium-ion batteries subjected to diverse operational cycles and thermal conditions. The proposed framework demonstrates superior prediction accuracy, achieving a Mean Square Error (MSE) of 0.0023 and a Mean Absolute Error (MAE) of 0.0043, outperforming traditional estimation methods. The Hyperband optimization algorithm accelerates model training and enhances adaptability to varying operating conditions, making it scalable for diverse battery applications. Developing an intuitive, real-time user interface (UI) tailored for practical deployment bridges the gap between advanced SOC estimation techniques and user accessibility. Detailed residual and regression analyses confirm the proposed solution’s robustness, generalizability, and reliability. This work offers a scalable, accurate, and user-friendly SOC estimation solution for commercial BMSs, with future research aimed at extending the framework to other battery chemistries and hybrid energy systems.
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.
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 | 0,000 |
| 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 découle