A Model Cluster Adapting to Different Charge Voltage Segments for Battery Capacity Estimation
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
Abstract Accurate capacity estimation is vital for the management of lithium-ion batteries in Electric Vehicles (EVs). Data-driven methods using the battery charging process provide new insights for battery capacity estimation. However, extracting features from the complete or specific charge curves is difficult as the battery charging is related to the behavior of the drivers, e.g., the battery start state of charge (SOC) and end SOC are usually random. Therefore, this study proposes a framework using a model cluster for the capacity estimation of lithium-ion batteries, which uses multi-submodels adapting to different lengths of input charge voltage segments, where input features are extracted. Three datasets (NCA, NCM, and Oxford datasets) are employed to establish the model cluster, and three types of input features and four algorithms are compared. The Random Forest (RF) algorithm combined with the time vector (input feature) achieves the best estimation results on the NCA dataset, in which the Root Mean Square Errors (RMSEs) of most submodels are lower than 1%. Thus, submodels with RMSE lower than 1% are retained to form the model cluster. The NCM dataset is used for the model cluster verification, and all RMSEs are below 0.74%. Three probability distributions of the charging process are constructed based on the three datasets to fit the model cluster to the actual EV operation situation, and the maximum RMSE is 0.403%, which provides a new perspective on the battery capacity estimation for EVs.
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