Two-Stage Genetic Algorithm Offline Parameter Optimization of Adaptive Extended Kalman Filter for Robust Battery State-Of-Charge Estimation
Notice bibliographique
Résumé
Accurately estimating battery state of charge (SOC) in electric vehicle applications (EVs) is crucial to ensure a safe and reliable vehicle operation. However, robust SOC estimation under all possible operating conditions is challenging due to varying load conditions, varying and non-linear battery impedance, sensor inaccuracies, among others. Meanwhile, battery management systems (BMS) are trending toward more compact designs to enhance reliability by reducing wiring and boosting energy density. Hence, minimizing the memory footprint of SOC estimation algorithms is a key challenge, as their design and tuning remain a time-consuming and costly process for the industry. This paper introduces an Adaptive Extended Kalman Filter (AEKF) algorithm with a two-stage genetic algorithm (GA) for parameter optimization. The first stage role is to find the equivalent circuit parameters’ optimal values in a non-SOC-dependent manner. The second GA optimizes the initial AEKF model tuning parameters. To mitigate the randomness of the GA, an algorithm is designed to automatically determine the optimum set of parameters with minimal user intervention. Finally, to avoid calibrating the AEKF to a Coulomb counter, the obtained parameters were tested locally and using an online tool to ensure the robustness of the estimator. The described algorithm achieves a low root mean square error (RMSE) of 0.7% to 2% across various positive and negative temperatures under several drive conditions. With this tool, the AEKF can be rapidly tuned with minimal user effort, providing fast and robust SOC estimation suitable for automotive applications.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».