Battery State of Charge Estimation by Machine Learning
Notice bibliographique
Résumé
Accurate estimation of State of Charge (SOC) is essential for managing lithium-ion batteries used in electric vehicles and energy storage systems. This paper presents a comparative study of four different machine learning models: Multivariate Linear Regression (MLR), Random Forest (RF), Multilayer Perceptron (MLP), and Convolutional Neural Networks (CNN) for the prediction of SOC using a data set based on LG 18650HG2 cells. The prepared data set includes voltage, current, temperature and historical moving averages, sampled at 1 Hz and evaluated in a temperature range of -10°C to 25°C. SOC values were derived through normalized amp-hour integration accounting for polarity and nominal capacity. Each model was evaluated under both full (5-variable) and reduced (3-variable) input configurations (excluding average current and voltage). The results show that Random Forest achieved the highest accuracy in all cases, with R2values exceeding 0.9997 and Mean Absolute Percentage Error (MAPE) below 0.40%. CNN models also performed well, particularly in capturing sequential patterns, while MLP offered a balanced performance between CNN and MLR in most scenarios, with a MAPE of 9.43%. MLR demonstrated the lowest robustness under thermal variation. The findings in this paper highlight that ensemble-based decision tree models may outperform both neural network models and traditional regression techniques for real-time SOC estimation in practical battery management systems, especially on smaller battery datasets. These findings offer practical insights for implementing efficient and scalable SOC estimation models in real time BMS.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».