Thermal Behavior Forecasting for Battery Management Systems Using iTransformer and Kolmogorov–Arnold Network
Notice bibliographique
Résumé
This paper proposes a next-generation predictive framework for thermal behavior prediction of lithium-ion batteries up to 60 seconds ahead of time, leveraging advanced deep-learning framework for time series prediction. The core of this work lies in a two-stage architecture that combines the iTransformer for accurate short-term forecasting of battery current, voltage, and temperature parameters with the Kolmogorov–Arnold Network (KAN) for core temperature estimation based on the predicted battery behavior. Experimental results using real-world drive cycles and thermal data demonstrate a high-accuracy forecasting performance, with the iTransformer achieving RMSEs as low as 0.17 A for current, 0.04 V for voltage, and 0.13°C for the surface temperature at 60 seconds ahead. The KAN achieves a core temperature estimation mean absolute error (MAE) of 0.20°C at 60 seconds ahead. An R2of 0.943 shows the system’s robustness in core temperature prediction across a full battery state-of-charge profile. The proposed framework can be directly integrated into the thermal management and charging control logic for real-time, adaptive charging and thermal management systems. This paper demonstrates the potential of advanced machine learning algorithms for predictive state estimation in lithium-ion battery management to ensure safer, more efficient, and longer-lasting energy storage systems for future e-mobility 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 | 0,000 | 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 | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».