State of Health Estimation for Lithium-Ion Batteries Using Separable LogSparse Self-Attention Transformer
Notice bibliographique
Résumé
The state of health (SOH) of lithium-ion batteries (LIBs) is an important indicator for evaluating the working condition of batteries and a crucial factor for the reliable functioning of battery management systems. The unfavorable factors of battery use and potential safety hazards can be reduced by accurately estimating the SOH. In this study, a separable LogSparse self-attention transformer (SLATrans) method is proposed, which incorporates a multichannel fusion adaptive embedding module and utilizes an encoder based on a multihead separable LogSparse self-attention module as well as an improved decoder for enhancing the estimation of SOH. The accuracy of long-sequence forecasting is improved while significantly reducing the computational complexity. To assess the efficacy of the SLATrans method, a comprehensive evaluation is carried out using the NASA and Center for Advanced Life Cycle Engineering (CALCE) datasets, focusing on mean absolute percentage error (MAPE), mean absolute error (MAE), and root-mean-square error (RMSE). The three types of minimum errors for SLATrans method on the two datasets are 1.31%, 0.97%, and 1.36% and 2.05%, 1.57%, and 2.50%, respectively. The findings indicate that the SLATrans method outperforms alternative network models in terms of estimation accuracy and dependability.
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 ».