A state-of-the-art review on battery cell balancing strategies
Notice bibliographique
Résumé
In the modern sustainable economy, batteries and their management systems are both important and critical, governing the safety, performance, and reliable operation of energy storage systems. With increasing demand for renewable energy integration, Electric Vehicles (EV), and grid stability, Battery Managment System (BMS) has become crucial in optimizing battery performance, prolonging battery lifespan, and minimizing environmental impact. Furthermore, cell balancing is one of the essential features among BMS key functionalities. It balances charge flow to the different cells in a battery pack to prevent overcharge or deep discharge to avoid deterioration or failure. Efficient cell balancing improves the energy efficiency, preserves battery health, and contributes to the sustainability objectives of electrification. Despite the important role of cell balancing, there are in a few publications that overviewed this technology, and these publications have not entirely considered balancing different aspects. To this end, the proposed review paper completely overviewed cell balancing concepts, and its different equalization topologies. Next, different aspects, and control strategies using Artificial Intelligence (AI), Machine Learning (ML), and Digital Twin (DT) concepts are classified, taken into consideration some of their regular models (such as Reinforcement Learning—RL), and also next-generation models (such as Quantum Neural Networks-QNN) described. Finally, in order to fully maintain the importance of BMS, and cell balancing, batteries' different standards, financed projects, as well as future research topics have been provided for further developments.
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 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 | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».