XGBoost–random forest stacking with dual-state Kalman filtering for real-time battery SOC 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
Accurate real-time state-of-charge estimation remains a bottleneck for e-bike battery management because firmware must deliver sub- updates while drawing less than . Classical observers drift under sensor bias, and purely data-driven models exceed the timing and memory ceilings of low-cost microcontrollers. This study therefore proposes the Hybrid Ensemble Dual-State Kalman Filter (HEAD-KF), which fuses Extreme Gradient Boosting and Random-Forest regressors through non-negative ridge stacking and smooths the fused output with a dual-state Kalman filter whose noise covariances are tuned online from residual statistics. The pipeline runs end-to-end on a Raspberry Pi 4 and is validated on a 20S Samsung INR18650-25R pack that uses NCA chemistry and is cycled between and . HEAD-KF yields a global mean-absolute error of SOC, keeps dynamic-discharge error to , and updates in while consuming per prediction. Covariance-perturbation and sensor-noise injections hold the estimator inside the ISO-12405 band, and ablation tests show that removing either the ensemble fusion or the adaptive Kalman loop doubles the error. These results indicate that HEAD-KF satisfies the accuracy, timing, and energy constraints of embedded battery-management systems on commodity hardware, and they motivate future work on cross-chemistry retraining, aggressive model compression for sub- targets, and on-device drift detection to preserve accuracy as packs age. • Real-time SOC estimate completes in ≤6 ms on Raspberry Pi 4 edge hardware. • XGBoost + Random Forest ensemble cuts SOC error by 47%. • Dual-state Kalman filter self-tunes noise for robust real-world accuracy. • HEAD-KF caps worst-case discharge error at 0.28% and global MAE 0.0004%. • Each inference uses only 60 μJ, staying well below the 100 mW budget.
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