Core Temperature Estimation of Lithium-Ion Batteries Using Long Short-Term Memory (LSTM) Network and Kolmogorov–Arnold Network (KAN)
Notice bibliographique
Résumé
Health-conscious battery management systems (BMS) that rely on surface temperature measurements are insufficient for managing automotive lithium-ion batteries (LIBs). Experimental studies have shown temperature differences of up to 10°C between surface and core of cylindrical LIBs. BMSs that consider only surface temperature overlook critical thermal information. The missing monitoring can delay detecting thermal events within the cell, accelerating battery degradation and increasing the risk of thermal runaway. This paper introduces two deep learning algorithms to address this: Kolmogorov-Arnold Network (KAN) and interconnected Long Short-Term Memory (LSTM) network. Both approaches estimate the core temperature of LIBs without requiring surface temperature feedback to the neural network. Experimental validation revealed a core temperature mean absolute error (MAE) of 0.55 °C with a computational cost of 2.9 ms to 3.2 ms for KAN. The proposed interconnected LSTM reached a MAE of 0.80 °C. The performance of the two core temperature estimation techniques was further evaluated under dynamic loading profile using UDDS drive cycle. The KAN method achieved a MAE of 0.325 °C, demonstrating its adaptability to dynamic operating conditions. The two proposed methods, primarily KAN, are both adaptive and computationally efficient, making them suitable for integrating onboard BMS and cloud-enabled digital-twin-based BMS 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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».