AE-BPNN: autoencoder and backpropagation neural network-based model for lithium-ion battery state of health estimation
Notice bibliographique
Résumé
Lithium-ion (Li-ion) batteries play a crucial role in modern energy storage systems, with their performance and longevity heavily dependent on accurately assessing their State of Health (SOH). Electrochemical Impedance Spectroscopy (EIS) has emerged as a powerful technique for SOH evaluation, capturing the battery's intricate electrochemical properties. However, practical EIS implementation poses challenges due to the need for expensive equipment and controlled testing conditions. This study introduces a data-driven approach to estimate the SOH of Li-ion batteries using EIS data. An autoencoder backpropagation neural network (AE-BPNN) was developed for unsupervised processing, dimensionality reduction, feature extraction, and SOH estimation. Two optimization algorithms-Scaled Conjugate Gradient (SCG) and Resilient Backpropagation (RBP)-were utilized to tune network weights and enhance performance. Experiments were conducted on eight Eunicell cells across six operational states (I, II, III, IV, V, IX) at various temperatures (25 °C, 35 °C, 45 °C). The AE-BPNN model demonstrated significant advantages over Gaussian Process Regression (GPR) and Support Vector Regression (SVR), yielding lower Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE), alongside higher R² scores. Across all evaluated states, the AE-BPNN achieved the lowest average RMSE values of 0.0192 and 0.0176 for the 35C02 and 45C02 cells, respectively, compared to GPR (0.0429, 0.0485) and SVR (0.0404, 0.0334), thereby confirming its superior accuracy in estimating the state of health of 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».