State of Charge Estimation for Li-Ion Batteries: An Edge-Based Data-Driven Approach
Notice bibliographique
Résumé
The traditional machine learning approach requires substantial computational resources which are scarce in the embedded devices. Recently, the confluence of Edge computing with IoT has enabled resource constrained embedded devices to implement machine learning algorithms. TinyML, with its emphasis on integrating machine learning into embedded systems, seeks to move the end users away from high-performance machines, towards devices with limited resources and power. The present work investigates the estimation of state of charge (SoC) of Lithium Ion (Li-ion) batteries focussing on data-driven methodologies developed during the last five years. This paper mainly focusses on the relationship between dataset characteristics and data stationarity, exploring battery behaviour prediction and related dataset comprehension techniques. A Long Short-Term Memory (LSTM) network, a variant of Recursive Neural Networks (RNN), is utilised for SoC estimation. A 1C rating standard is implemented to comprehend the charge and discharge properties of a Li-ion battery. This study includes hardware evaluation as well as Monte Carlo simulation analysis in circuit component design. The experimental results provide a Mean Absolute Error (MAE) of 0.0630, a Mean Squared Error (MSE) of 0.0107, and a Root Mean Squared Error (RMSE) of 0.1033, confirming the efficacy of the proposed methodology. These results illustrate the accuracy and reliability of SoC estimation model. In conclusion, the proposed data-driven technique can lead to improved data security, reduced latency and cost in the estimation of SoC for Li-ion batteries.
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) | 0,000 | 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 | 0,001 | 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 ».