Piecewise Linear Approximation of Battery Open-Circuit Voltage Characteristics Using Dynamic Programming
Notice bibliographique
Résumé
An open-circuit voltage (OCV) model, which represents OCV as a function of state of charge (SOC), is essential for estimating the state of a battery. Typically, the OCV-SOC characteristic is approximated using empirical functions, such as polynomials or lookup tables, and stored in a battery management system (BMS). However, polynomial approximations have several limitations: they are sensitive to floating-point errors, can be noninvertible, and require a high-precision computing system for numerical inverse lookups (determining the SOC for a given OCV). Moreover, many OCV models fail to maintain the monotonicity of the OCV-SOC relationship, especially in resource-constrained environments. While table-based (or piecewise linear) approaches have been explored, existing methods often fall short of preserving the accuracy of the OCV-SOC curve with a minimal number of breakpoints. This article introduces a novel dynamic programming approach to model the OCV-SOC characteristic as piecewise line segments. Compared to existing piecewise models, the proposed approach is more resource-efficient in systematically reducing the required table breakpoints while maintaining optimal accuracy. Experimental validation across various lithium-ion chemistries at four ambient temperatures consistently demonstrated a root mean square error below 5 mV. Additionally, differential feature extraction and segmented correlation analysis highlight the model’s effectiveness in estimating the battery’s state of health (SOH).
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».