Correlation-aware kernel selection for multi-scale feature fusion of convolutional neural networks in multivariate and multi-step time series forecasting: Application to Li-ion battery state of health forecasting
Notice bibliographique
Résumé
Proper forecasting of the State of Health (SOH) of lithium-ion batteries is crucial for enhancing performance, ensuring safety, and prolonging the lifespan of energy storage systems, particularly in electric vehicles and renewable energy applications. This study develops a Convolutional Neural Network (CNN) that incorporates multi-scale feature fusion to extract multi-resolution patterns through a correlation-aware, multi-scale kernel selection mechanism for multivariate and multi-step time series forecasting of battery SOH. The system includes two main parts: Preprocessing and modeling. The preprocessing of the raw battery data includes time series features extraction across statistical, temporal, and frequency domains; normalizing the data; and employing hybrid feature selection that utilizes both filter-based and wrapper-based methods. In the modeling part, the proposed CNN architecture is developed. This model includes a novel approach of determining adaptive kernel sizes that are established through cross-correlation of the input features, enabling the model to identify short-, medium-, and long-term patterns. Extensive experiments carried out on benchmark datasets provided by NASA and a commercial battery testing facility showcase the model's advantages compared to conventional CNNs, Long Short-Term Memory (LSTM) networks, fully connected neural networks (LNNs), and two combinations of LSTM and CNN. The suggested approach consistently results in notably reduced prediction errors and demonstrates greater robustness throughout repeated trials, affirming its promise as a dependable solution for practical battery prognostics.
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 ».