Introducing Time-lag and Bi-LSTM Neural Network for In-Operando Surface Temperature Estimation in Lithium-ion Batteries
Notice bibliographique
Résumé
Automotive lithium-ion battery (LIB) packs comprise hundreds to thousands of individual cells to achieve the required DC bus voltage for the powertrain. The operating temperature of LIBs significantly influences performance and serves as a key indicator of potential thermal runaway and catastrophic failure. However, monitoring the temperature of individual cells remains challenging due to the cost, complexity, and wiring demands of conventional battery management systems (BMS). This paper proposes a bidirectional long short-term memory (Bi-LSTM) neural network that utilizes commonly available BMS parameters voltage, current, and ambient temperature along with a time-lag feature to accurately estimate surface temperature. The model is experimentally validated on a 14 -cell LIB module equipped with an automotive-grade BMS from NXP®. Results show that the proposed algorithm estimates surface temperature with the mean absolute error as low as $0.151^{\circ} \mathrm{C}$ and a root mean square error as low as $0.171^{\circ} \mathrm{C}$, when compared to actual measurements during constant-current constant-voltage (CC-CV) charging and constant-current (CC) discharging across a wide operating temperature range ($0^{\circ} \mathrm{C}$ to $40^{\circ} \mathrm{C}$) and C -rate. This study demonstrates the practical feasibility of the approach, which relies solely on existing BMS data eliminating the need for direct surface temperature measurements, reducing system cost and complexity, while maintaining high accuracy under diverse thermal conditions.
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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».