IT201900006987A1 - - Google Patents
Download PDFInfo
- Publication number
- IT201900006987A1 IT201900006987A1 IT201900006987A IT201900006987A IT201900006987A1 IT 201900006987 A1 IT201900006987 A1 IT 201900006987A1 IT 201900006987 A IT201900006987 A IT 201900006987A IT 201900006987 A IT201900006987 A IT 201900006987A IT 201900006987 A1 IT201900006987 A1 IT 201900006987A1
- Authority
- IT
- Italy
- Prior art keywords
- battery
- input
- output
- soc
- charge
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 description 38
- 239000010410 layer Substances 0.000 description 36
- 238000000034 method Methods 0.000 description 20
- 210000002569 neuron Anatomy 0.000 description 17
- 238000010200 validation analysis Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 241000173371 Garcinia indica Species 0.000 description 2
- 241000156302 Porcine hemagglutinating encephalomyelitis virus Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007728 cost analysis Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 102000040650 (ribonucleotides)n+m Human genes 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 101100257262 Caenorhabditis elegans soc-1 gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011005 laboratory method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000013432 robust analysis Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/545—Temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/547—Voltage
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/549—Current
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/46—Control modes by self learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/48—Control modes by fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Description
Unità di propulsione con batteria per veicolo e relativo metodo per stimare lo stato di carica
DESCRIZIONE
CAMPO TECNICO
La presente invenzione si riferisce a un'unità di propulsione per un veicolo terrestre, marittimo o aereo comprendente una batteria e un motore elettrico alimentato dalla batteria per uno spostamento di crociera del veicolo, ad es. trazione per un veicolo terrestre.
STATO DELL’ARTE
Un veicolo completamente elettrico o ibrido, incluso un ibrido plug-in, comprende una batteria per alimentare una trasmissione e le prestazioni e la salute della batteria sono fortemente influenzate dal numero e dal tipo di cicli di carica / scarica e da fattori ambientali quali temperatura ed età. Inoltre, una batteria richiede un monitoraggio costante e accurato per verificare le sue condizioni e, in particolare, il livello della potenza disponibile rimanente, indicato dallo stato di carica (SOC). Una conoscenza accurata e affidabile del SOC consente di limitare i fattori psicologici come l'ansia da autonomia nel veicolo elettrico. Inoltre, contribuisce a prevenire l'invecchiamento accelerato dovuto alla scarica completa, al surriscaldamento e al sovraccarico. Tuttavia, il SOC non può essere misurato direttamente e il suo valore può essere stimato solo dalla misurazione di altri parametri della batteria, come corrente, tensione, resistenza interna e temperatura. Le comuni tecniche di laboratorio per la stima del SOC si basano sulla misurazione della tensione a circuito aperto, dell'impedenza interna della batteria o sull'integrazione della corrente nel tempo. Sebbene accurati, questi approcci, noti anche come metodi diretti, richiedono dissipazione di energia, non sono compatibili con velocità di scarica elevate e pertanto non sono adatti per applicazioni in tempo reale e applicazioni veicolari, che non possono richiedere la disponibilità di un laboratorio per analizzare la batteria. Per superare questi problemi sono state proposte tecniche basate sull'interpretazione di modelli, regole e intelligenza artificiale. La prima famiglia comprende il filtro Kalman (KF), il filtro Kalman esteso (EKF) [12] [13] [14], il filtro Kalman Unscented (UKF) [15] [16], Adaptive Particle Filter (APF) [17], e Smooth Variable Structure Filter (SVSF) [18] [19]. Queste soluzioni sfruttano i metodi diretti sopra menzionati per la messa a punto del modello di riferimento e dipendono fortemente dalla sua accuratezza. Le tecniche basate su regole, come Fuzzy Logic (FL) [20] [21] [22] non hanno bisogno di alcun modello, ma sono strettamente dipendenti dall'esperienza del progettista dell'algoritmo.
In questo contesto, le soluzioni basate sull'Intelligenza Artificiale e in particolare le Reti Neurali Artificiali (RNA), hanno acquisito una crescente attenzione poiché possono essere affidabili e robuste, indipendenti dai composti chimici delle cellule, idonee per la rappresentazione di dinamiche non lineari e compatibili con applicazioni temporali. Tuttavia, l'efficacia e l'accuratezza di una RNA dipendono fortemente dall'architettura adottata e dalla selezione dei corretti set di dati di addestramento. Un ulteriore problema è che la rete risultante potrebbe essere troppo pesante in termini di occupazione della memoria e tempo di elaborazione, richiedendo che le unità di calcolo ad alte prestazioni siano correttamente implementate.
L'analisi del costo computazionale delle RNA utilizzate su unità di controllo reali e la convalida su cicli di prova di guida reali richiede un'indagine più approfondita. Infatti, sono state proposte diverse architetture, sebbene con convalide deboli ottenute mediante semplici profili di carica / scarica di laboratorio e senza affrontare l'analisi dei costi computazionali. Le RNA feedforward sono state proposte sia in configurazione standard [23] [24] che combinate con UKF [25] ed EKF [11]. Tali lavori hanno presentato una convalida basata su profili periodici di scarico di laboratorio. Inoltre, il loro costo computazionale durante l'addestramento e la distribuzione non è studiato. Allo stesso modo, una RNA di Elman è stata studiata da [26] senza una convalida sui profili del ciclo di guida reali e nessuna discussione sul peso dell'algoritmo.
Inoltre, US-A1-2018086222 descrive una RNA ricorsiva a più strati per modellare una batteria e stimare la tensione e la temperatura di una batteria. Tuttavia, in considerazione della mancanza di indagini, sembra esserci spazio per concentrarsi su una struttura di rete neurale ancora più ottimizzata per la determinazione del SOC. SCOPI E RIASSUNTO DELL’INVENZIONE
Lo scopo della presente invenzione è di fornire un metodo di architettura efficiente e computazionalmente ottimizzato e semplice per stimare il SOC di una batteria di trasmissione che fornisce potenza di movimento a un veicolo.
Lo scopo della presente invenzione è raggiunto da un'unità di propulsione di veicolo comprendente una batteria avente una o più celle elettrochimiche, la batteria avente una tensione di uscita e una corrente di uscita quando fornisce potenza;
un motore elettrico azionato dalla potenza erogata dalla batteria; un elemento di propulsione del veicolo azionato dal motore elettrico; un circuito di rilevamento della corrente, della tensione e della temperatura di uscita della batteria; e
un sistema di gestione della batteria comprendente un circuito di elaborazione accoppiato alla corrente di uscita della batteria, un circuito di rilevamento della tensione e della temperatura, il circuito di elaborazione essendo configurato per modellare il comportamento della batteria con almeno una rete neurale ricorsiva, l'almeno una rete neurale ricorsiva comprendendo un insieme di nodi di strato di ingresso, un insieme di nodi di strato nascosto e in cui almeno alcuni dei nodi dello strato di input ricevono almeno un ingresso che rappresenta uno stato di carica assegnato della batteria o almeno un ingresso da uno stato di tempo precedente di un nodo di strato di uscita, che rappresenta la stima dello stato di carica calcolato dal circuito di elaborazione.
La valutazione del SOC tramite una rete neurale autoregressiva secondo quanto sopra fornisce un approccio molto efficiente per la stima del SOC. Rispetto ad altre architetture, è possibile utilizzare un numero limitato di nodi e ottenere una stima precisa come mostrato dall'esempio di riferimento discusso di seguito. In particolare, l'architettura RNA proposta dell'invenzione mostra un tempo di addestramento inferiore e prestazioni di stima migliori rispetto ad altre alternative, che saranno discusse in seguito in maggior dettaglio. In effetti, la retroazione dell'output stimato per il prossimo ciclo di calcolo fornisce un'architettura abbastanza semplice, che è sempre preferibile, senza alcun compromesso con la precisione dei risultati.
Secondo una forma di realizzazione preferita della presente invenzione, il circuito di elaborazione è configurato per ricevere come input assegnato dei nodi dello strato di ingresso dopo una nuova accensione dell'unità, un valore precedentemente memorizzato che rappresenta lo stato di carica quando trasmissione è stata disattivata per l’ultima volta prima della nuova accensione.
Fornire un valore iniziale come input per la rete evita il rischio di divergenze. In particolare, il valore iniziale è l'ultima stima, cioè l'output della RNA proposta, calcolato immediatamente prima del precedente spegnimento del veicolo. Ad esempio, poiché lo spegnimento non è sempre prevedibile, ogni valore di uscita stimato viene memorizzato in modo da avere un valore pronto dopo uno spegnimento improvviso. In alternativa o in combinazione, quando l'unità di propulsione riceve un comando di spegnimento, ad es. da un tasto di comando azionato da un utente del veicolo, tale comando attiva anche la memorizzazione dell'ultima uscita stimata per un uso successivo come ingresso iniziale quando l'unità verrà accesa.
Secondo una forma di realizzazione preferita della presente invenzione, il circuito di elaborazione è configurato per commutare l'ingresso ai nodi dello strato di input dal valore assegnato dello stato di carica allo stato temporale precedente del nodo dello strato di uscita dopo un intervallo di tempo predefinito e non nullo.
Ciò fornisce un parametro di regolazione, cioè la durata dell'intervallo di tempo, per ottimizzare la RNA proposta.
Secondo una forma di realizzazione preferita, lo strato nascosto è un singolo strato nascosto e i nodi di strato nascosto sono inferiori a 10, preferibilmente 8.
Tale architettura semplice è particolarmente ottimizzata per stimare il SOC, preferibilmente entro un intervallo di temperatura limitato, ad es. da 10 a 40 gradi Celsius dell'ambiente circostante la batteria, che è normalmente il caso in veicoli provvisti di uno scambiatore di calore per controllare la temperatura della batteria. BREVE DESCRIZIONE DELLE FIGURE
La presente invenzione è qui descritta secondo forme di realizzazione non limitative illustrate nei disegni allegati come semplici esempi esplicativi. In particolare:
- la Figura 1: mostra uno schema a blocchi di un layout per addestramento, test e validazione di una RNA secondo la presente invenzione;
- le Figure 2 e 3: mostra un numero di RNA considerate come riferimento per la RNA ad anello chiuso secondo la presente invenzione in cui a) è una RNA Feedforward Non-Linear Input-Output, b) è una RNA Multi-Layer Cascade Feedforward, c) è una RNA ricorsiva di Elman, d) è una RNA ricorsiva multistrato;
- la Figura 4: mostra una RNA secondo la presente invenzione in cui a) è la configurazione ad anello aperto per l'addestramento e b) è la configurazione ad anello chiuso per la stima;
- la Figura 5: mostra i profili di addestramento. a) Carica / scarica corrente. b) Tensione. c) Temperatura. d) stato di carica;
- la Figura 6: mostra il set di dati di test ottenuti come parte del profilo del ciclo di lavoro per la scarica dinamica di un PHEV "United States Advanced Battery Consortium" (USABC) a) corrente di Carica / Scarica. b) Tensione. c) Temperatura. d) stato di carica;
- la Figura 7: mostra le prestazioni delle RNA delle figure 2 e 3, vale a dire a) Feed-Input Linear Input-Output. b) Multi-Layer Cascade Feedforward. c) RNA ricorsiva di Elman. d) RNA ricorsiva multistrato. La stima SOC e l'andamento dell’errore quadratico medio durante il processo di addestramento di ciascuna rete sono riportati rispettivamente nella colonna di sinistra e di destra;
-la Figura 8: mostra le prestazioni della RNA ad anello chiuso proposta con 5 (a), 8 (b), 15 (c) e 20 (d) neuroni o nodi nello strato nascosto. La stima SOC e l'andamento dell’errore quadratico medio durante il processo di addestramento di ciascuna rete sono riportati rispettivamente nella colonna di sinistra e di destra;
- la Figura 9: mostra un confronto di tutte le architetture proposte. a) Tempo di allenamento normalizzato rispetto alla RNA proposta con 100 neuroni. b) Errore massimo relativo (MRE) della stima. c) Costo computazionale - occupazione memoria programma. d) Costo computazionale: occupazione della memoria di dati. Il cerchio nero indica la RNA con le migliori prestazioni, ovvero una RNA a singolo strato ad anello chiuso di figura 4 con 8 neuroni;
- la Figura 10: mostra la convalida su un profilo reale. a) Corrente di Carica / Scarica.
b) Tensione. c) Temperatura. d) Stato di carica: SOC previsto (linea continua), SOC stimato in simulazione (linea tratteggiata) e SOC stimato su unità di controllo elettronico reale (linea tratteggiata);
- la Figura 11: mostra i grafici di un'analisi di robustezza alle imprecisioni iniziali della stima del SOC; in particolare, a) mostra l'output di stima con errore sul SOC iniziale compreso tra -5% e 5%, b) l'errore tra il SOC previsto e il SOC stimato, l'area grigia indica la regione di tolleranza dell'errore di ± 5%, le linee continue rappresentano il SOC atteso e le due soglie di tolleranza, le linee tratteggiate sono le stime SOC;
- la Figura 12: mostra i grafici relativi alla robustezza al rumore sulla misurazione della corrente, a) corrente con rumore di tipo 1, b) corrente con rumore di tipo 2, c) SOC: previsto senza rumore (linea continua), stimato senza rumore (linea tratteggiata), stimato quando la corrente è disturbata dal rumore di tipo 1 (linea tratteggiata) e stimato quando la corrente è disturbata dal rumore di tipo 2 (linea tratteggiata); e - la Figura 13: mostra uno schizzo di un'unità di propulsione controllata dalla RNA della presente invenzione.
DESCRIZIONE DETTAGLIATA DELL’INVENZIONE
La figura 1 illustra un tipico diagramma di flusso di progettazione di RNA applicato alla stima del SOC secondo la presente invenzione e comprendente tre fasi: addestramento, test e convalida. La fase di addestramento viene condotta sfruttando i set di dati riproducendo la gamma più ampia possibile delle dinamiche di sistema per consentire un apprendimento accurato. Nel caso del metodo proposto, i set di dati di addestramento includono le misurazioni di corrente, tensione e temperatura come input della rete e il SOC come target di output. Poiché il SOC è una quantità non misurabile, il suo valore è ottenuto da un modello di batteria con tabella di riferimento allineato tramite il metodo di conteggio Ampère-ora eseguito in un ambiente di laboratorio.
Questo modello (blocco 1 nella Figura 1) viene quindi utilizzato come emulatore della batteria reale per generare il riferimento SOC previsto. Le architetture RNA (blocco 2) secondo l'invenzione sono preferibilmente progettate e simulate nell'ambiente Matlab / Simulink e quindi implementate su una vera unità di controllo elettronica con una configurazione HIL (Hardware in the Loop) (blocco 3) basata, secondo un forma di realizzazione, su un processore Atmel AVR a 8 bit che ha prestazioni di calcolo paragonabili a quelle del comune sistema di gestione della batteria (BMS) ed è in comunicazione seriale con un computer.
La procedura di progettazione può essere riepilogata come segue: a) il set di dati di input training (corrente, tensione e temperatura) è fornito al blocco 1 per ottenere il target di output dell'addestramento (SOC_1); b) il blocco 2 viene alimentato con il set di dati di input / output ottenuto per eseguire la procedura di addestramento RNA; c) le fasi di test e validazione sono condotte fornendo nuovi set di dati ai tre blocchi e confrontando le uscite del modello di riferimento del blocco 1 con il modello RNA addestrato del blocco 2 e del blocco 3. Le RNA feedforward non richiedono la retroazione della stima di output, mentre le RNA ricorsive hanno la retroazione della stima SOC come quarto input (linea tratteggiata nella Figura 1).
Ad esempio, il pacco batterie adottato è composto da 168 celle KOKAM SLPB 11543140H5 nella configurazione 12p14s (p: parallela, s: serie). Il pacco ha una tensione nominale di 48 V, una capacità nominale di 60 Ah ed è progettato per un veicolo elettrico mild-hybrid con una potenza elettrica di picco di circa 20 kW, ottenuto considerando una portata di circa 7C in condizioni nominali. Le principali caratteristiche della cella sono riportate nella Tabella 1.
Tabella 1. Principali caratteristiche della cella KOKAM SLPB 11543140H5
Le figure 2 e 3 mostrano diverse architetture di riferimento prese come confronto per l'architettura dell'invenzione, rappresentata in figura 4.
In particolare, le figure 2a e 2b mostrano le rispettive configurazioni di feedforward in cui l'informazione viaggia in una sola direzione dall'input ai nodi di uscita senza formare alcun ciclo ricorsivo.
La rete Non-Linear Input-Output (Figura 2a) è la configurazione più semplice compresa in questo studio, e qui è progettata con un singolo strato nascosto costituito da 10 neuroni o nodi, dx = 2, un sigmoide HAF e un OAF lineare. Essenzialmente, l'output y (n) di questa rete è il risultato dell'applicazione di una funzione non lineare φ agli input x (n) secondo la seguente equazione:
dove φ è la funzione non lineare modellata con la RNA.
La rete Multi-Layer Cascade Feedforward (Figura 2b) sfrutta la formulazione definita dall'Eq. (1). Ogni strato prende come input sia l'input che l'output di tutti quelli precedenti. Ulteriori dettagli teorici possono essere trovati in [30]. La configurazione proposta include 3 strati nascosti (12, 10 e 8 neuroni o nodi, rispettivamente), nessun ritardo sugli input, tangente iperbolico e lineare come funzioni di attivazione rispettivamente per gli strati nascosto e di uscita.
Nella RNA ricorsiva di Elman (Figura 2c), l'output dello strato nascosto viene reimmesso come input dello stesso strato. La rete progettata presenta 8 neuroni o nodi nello strato nascosto, dx = 1 e dy = 1, sigmoide e funzioni di attivazione lineare rispettivamente per gli strati di input e di output. Fondamentalmente, questa rete produce un'uscita y (n) secondo la seguente equazione:
dove φ è la funzione non lineare modellata dalla RNA, e φ è la funzione che lo strato nascosto applica all'ingresso x(n). Uno contesto teorico dettagliato può essere trovato in [31] e in [32].
La rete ricorsiva multistrato (Figura 2d), è progettata con tre strati nascosti (rispettivamente 5, 4 e 2 neuroni o nodi), dx = 2 e dy = 2, un sigmoide HAF e un OAF lineare. L'uscita y (n) viene calcolata applicando una funzione non lineare φ, modellata dalla rete RNA, agli ingressi x (n), come nella seguente equazione:
dove l'output di ogni strato nascosto i-esimo viene reimmesso come input addizionale dello stesso strato e questo strato applica la sua funzione φi ai suoi input. Un approfondito contesto sulle RNA ricorsive può essere trovato in [33].
L'ultima architettura (Figura 4) è la RNA secondo la presente invenzione. Questa rete è rappresentata con un modello discreto non lineare ed è comunemente utilizzata per le attività di previsione delle serie temporali. È matematicamente definito come:
dove y (n) ∈ R e x (n) ∈ R denotano le uscite e gli ingressi del modello di RNA proposto al tempo discreto n, rispettivamente. dx e dy sono rispettivamente la memoria di ingresso e di uscita utilizzata nel modello e φ è la funzione, generalmente non lineare, rappresentata dalla RNA. Durante la procedura proposta di regressione RNA, il valore successivo del segnale di uscita dipendente y (n) viene regredito sui precedenti valori dy del segnale di uscita e precedenti valori dx del segnale di ingresso indipendente.
Secondo la presente invenzione, la RNA proposta viene adottata in anello aperto (figura 4a) durante il processo di addestramento e in anello chiuso (4b) durante la fase di stima, cioè quando la rete è impiegata sull'applicazione reale, in particolare un circuito di controllo che riceve segnali di ingresso da una pluralità di sensori, compresi i rispettivi sensori di corrente, tensione e temperatura applicati alla batteria, quest'ultima progettata per fornire alimentazione per la guida, ad es. propulsione, di un veicolo di terra o mare o aria veicolo tramite una trasmissione.
La configurazione ad anello aperto si chiama modalità Serie Parallela (SP). In questa configurazione, il regressore di output è:
In questo caso, poiché il vero output è disponibile durante l'addestramento della rete, esso viene utilizzato direttamente, invece di retroazionare l'output stimato. Ciò ha alcuni vantaggi: l'input alla rete neurale artificiale è più accurato e la rete risultante ha un'architettura puramente feedforward, quindi un algoritmo di backpropagation statico (Levenberg-Marquardt) può essere utilizzato per il processo di addestramento. La configurazione ad anello chiuso si chiama modalità Parallela (P), dove la stima dell'output è:
Quando si utilizza la rete in modalità Parallela, all'inizio del calcolo, la stima ha un valore indeterminato e non può essere ricondotta all'ingresso della RNA perché potrebbe generare la divergenza della stima nel tempo. Per superare questo problema, durante un intervallo di tempo iniziale predefinito di calcolo, ad es. di 1 secondo, il segnale di retroazione è sostituito da un valore costante SOCINIT (Figura 4b) che è l'ultimo valore di SOC registrato su una memoria non volatile al precedente spegnimento della trasmissione e / o del veicolo. Dopo tale intervallo di tempo iniziale, cioè quando la stima dell'uscita è stabile, l'ingresso relativo al SOC passa al segnale di retroazione.
Facendo riferimento alla Figura 4b e denotando con n = n0 l'istante temporale in cui il segnale di retroazione passa dalla costante SOCINIT all'output stimato, le equazioni caratteristiche del modello sono scritte come:
e
Il set di dati di addestramento adottato è ottenuto da un profilo carica / scarica di corrente di un EV reale riportato in [34]. Il set di dati è mostrato in Figura 5, dove i valori della tensione (b), della temperatura (c) e SOC (d) sono ottenuti dal modello di riferimento (il blocco 1 nella Figura 1) quando l'ingresso del modello è la corrente a). I dati sono campionati con una frequenza di 10 Hz. Poiché questo profilo riduce il SOC di circa il 12,5%, quindi, l'addestramento della RNA viene eseguito ripetendolo 8 volte per addestrare la rete su una scarica completa con il SOC che va da 1 a 0.
Il set di dati di prova è una parte del profilo del ciclo di lavoro di impiego della carica dinamica "United States Advanced Battery Consortium" (USABC) di un PHEV [28] riportato nella Figura 6. Viene utilizzato per eseguire la valutazione dell'accuratezza dell’addestramento e stima insieme all'analisi del costo computazionale delle cinque architetture RNA proposte.
Le RNA sopra menzionate sono testate utilizzando il set di dati riportato nella Figura 6. L'obiettivo è quello di valutare le prestazioni in termini di durata e precisione del processo di addestramento, accuratezza della stima e costo computazionale, vale a dire memoria e occupazione del processore, quando vengono implementati gli algoritmi progettati su un'unità di controllo elettronica. Infine, l'accuratezza della stima e la robustezza della RNA con le migliori prestazioni sono valutate con un profilo aggiuntivo ottenuto da un veicolo elettrico reale.
Il primo test è condotto per analizzare l'accuratezza della stima e la precisione dell'addestramento in combinazione con la sua durata in numero di epoche di addestramento per ciascuna RNA. L'accuratezza della stima viene analizzata mediante l'errore relativo massimo (MRE), calcolato in% come:
dove n è il numero delle misurazioni, SOCexp e SOCest sono rispettivamente il SOC previsto e stimato.
D'altro canto, la precisione dell'addestramento viene valutata mediante l'errore quadratico medio (MSE) ottenuto alla fine del processo di addestramento. L'addestramento viene interrotto quando l'MSE è uguale o inferiore a 1e-13 o, in alternativa, quando rimane costante per un numero sufficientemente grande di epoche di addestramento.
La Figura 7 riporta i risultati ottenuti dalle RNA Feedforward Linear Input-Output, Multi-Layer Cascade Feedforward, ricorsiva di Elman e Multi-Layer ricorsiva. Per ognuna di queste reti, il processo di addestramento viene interrotto perché l'addestramento MSE non si riduce dopo cento epoche. Ogni RNA viene testata nella configurazione con il miglior compromesso tra numero di neuroni, strati, ritardi e funzioni di attivazione / addestramento. Diverse configurazioni, vale a dire con un numero maggiore di neuroni e strati, sono state testate ottenendo risultati peggiori in termini di durata dell'addestramento e la stessa accuratezza (o peggiore se si verifica un overfitting). I grafici sulla parte sinistra della Figura 7 mostrano che nessuna di queste reti fornisce una stima SOC sufficientemente accurata. Sebbene le RNA ricorrenti (Elman SRN e RNA multistrato) siano caratterizzate da risultati leggermente migliori rispetto alle RNA feedforward (Linaer Input-Output e Multi-Layer Cascade), le parti ingrandite in c) e d) evidenziano che il SOC stimato (linea tratteggiata) risulta inaccurato (MRE circa 5%) rispetto a quello previsto (linea continua).
Le prestazioni delle RNA proposte con uno strato e 5, 8, 15 e 20 neuroni o nodi nello strato nascosto sono presentate nella Figura 8. L'addestramento di ciascuna rete viene interrotto perché l'MSE raggiunge un valore abbastanza piccolo. La rete con le migliori prestazioni è la RNA proposta della figura 4 con 8 neuroni (c). Ha il minimo MSE di addestramento (9.8e-14), raggiunto con il minor numero di epoche di addestramento, e l'errore di stima minima MRE (0,35%).
I risultati ottenuti con tutte le architetture proposte sono riassunti e confrontati nella Figura 9, dove la RNA proposta con 8 neuroni è contrassegnata da un cerchio nero. I diagrammi nella prima riga mostrano le prestazioni delle reti in termini di durata del processo di addestramento (a) normalizzato rispetto alla RNA proposta con uno strato e 100 neuroni e di stima SOC in termini di MRE (b). In questo secondo grafico i risultati della RNA proposta con 50 e 100 neuroni non vengono riportati a causa dell'enorme tempo di simulazione richiesto con prestazioni che si deteriorano all'aumentare del numero di neuroni. In generale, le architetture di RNA proposte mostrano un tempo di addestramento inferiore e prestazioni di stima migliori rispetto ad altre soluzioni. I risultati riportati in c) e d) consentono di confrontare le reti testate in termini di costo computazionale quando vengono implementate su un'unità di controllo elettronica con un microcontrollore Atmel AVR-8 bit, simile a quelli adottati in un comune BMS. Infine, l'accuratezza della RNA proposta con 8 neuroni viene testata su un profilo ottenuto da un vero veicolo elettrico [33]. I risultati sono riportati in Figura 10 dove le dinamiche del profilo di corrente (a) sono simili a quelle del set di dati di addestramento (Figura 5.a) ma rivela uno stile di guida più aggressivo con picchi che raggiungono i 200 A. La stima SOC (d) è accurato con MRE inferiore allo 0,35% come previsto dai risultati illustrati nella Figura 8. La linea continua in d) rappresenta il SOC previsto, mentre le linee tratteggiate e tratto-punto sono il SOC stimato in simulazione e sull'unità di controllo, rispettivamente. La buona corrispondenza tra questi ultimi due, evidenziata nell'area ingrandita, è una convalida della correttezza della configurazione di utilizzo. Vale la pena notare che la stima non è mai superiore al valore atteso, che è una situazione conservativa poiché consente di evitare la sovrastima dell'energia residua sulla batteria che può essere una situazione critica nei veicoli elettrici.
Il test finale condotto sulla RNA proposta con 8 neuroni mira a valutare la sua robustezza quando il valore iniziale del SOC (SOCINIT nella Figura 4b) non è accurato e quando la misurazione di corrente è influenzata dal rumore, che è una condizione tipica nelle applicazioni reali a bordo di un veicolo.
La prima analisi viene effettuata introducendo un errore relativo nell’intervallo di tolleranza massimo di ± 5% su SOCINIT e valutando le capacità della rete per recuperare questo errore o almeno per mantenerlo limitato tra le soglie di tolleranza inferiore e superiore. Il test viene condotto adottando una parte del set di dati di convalida riportato nell'area ingrandita di Figura 10d, testando la robustezza su un intervallo di ± 5% centrato su SOC = 95%. I risultati sono riportati in Figura 11 dove il comportamento di stima e l'andamento dell'errore sono riportati rispettivamente in a) e b) e la regione di tolleranza dell'errore è colorata in grigio. I grafici mostrano che per errori inferiori al 4%, la stima tende a convergere verso il valore atteso o a rimanere costante, mentre per gli errori più elevati, la stima può divergere e superare l'intervallo di tolleranza.
La seconda analisi viene condotta disturbando la misurazione della corrente fornita come input alla rete. Due diversi tipi di rumore sono sommati al profilo di corrente della Figura 10: un rumore gaussiano pseudo-casuale da 1 kHz con valore medio zero e deviazione standard pari a 1,5 A (tipo 1, Figura 12a) e un rumore gaussiano pseudocasuale 100 Hz con valore medio pari a zero e deviazione standard uguale a 5 A (tipo 2, figura 12b). I risultati sono riportati in (c), dove la linea continua è il valore atteso, la linea tratteggiata è la stima senza rumore e le linee tratteggiate e tratto-punto sono la stima influenzata dal rumore di tipo 1 e di tipo 2, rispettivamente. I risultati mostrano che le prestazioni di stima non sono influenzate da problemi di rumore sulla misurazione della corrente che è tipicamente il segnale più disturbato nelle applicazioni reali. Ovviamente, la RNA non ha le capacità per compensare efficacemente eventuali imprecisioni nella calibrazione dell’offset e del guadagno dei sensori di corrente.
La figura 13 mostra uno schema di un'unità di propulsione 110 comprendente la batteria, che può essere una batteria a celle multiple o simili, un sistema di gestione della batteria 160 comprendente i circuiti descritti nei paragrafi precedenti, un inverter 120 alimentato dalla batteria e collegato ad un controllore di corrente 130, un motore elettrico 140 azionato dall'inverter e un gruppo di propulsione 150 del veicolo collegato al motore elettrico 140. Il gruppo di propulsione può essere azionato direttamente dal motore elettrico 140 come nel caso di una ruota di un veicolo terrestre in una motoruota, oppure un elemento di propulsione elicoidale in un veicolo marino o aereo, oppure una trasmissione può trasferire la potenza meccanica dal motore elettrico 140 al gruppo di propulsione 150, come una trasmissione in un veicolo a trazione ibrida, ad es. un'auto ibrida.
Il controllore 130 può essere utilizzato per generare segnali di gate per l'inverter 120. Di conseguenza, il controllo della velocità del veicolo viene eseguito regolando la tensione o il flusso di corrente dall'inverter 120 attraverso lo statore del motore 140. Vi sono molti schemi di controllo che possono essere utilizzati in un sistema di guida di veicoli elettrici incluso un controllo di corrente, un controllo di tensione e un controllo diretto di coppia. La selezione delle caratteristiche dell'inverter 120 e la scelta della tecnica di controllo del controllore 130 possono determinare l'efficacia del sistema di azionamento.
Vale anche la pena notare che l'invenzione è in grado di stimare sia una scarica della batteria dovuta alla propulsione sia una ricarica della batteria durante la ricarica da una centrale elettrica o tramite una macchina elettrica di bordo, come un generatore azionato durante un funzionamento di frenata rigenerativa su un veicolo terrestre. Dopo un certo numero di stime, gli errori possono propagarsi in modo che sia importante avere una condizione, cioè la condizione di piena carica, in cui vi è un'alta probabilità che la stima della RNA proposta sia particolarmente precisa. Tale condizione è davvero lo stato di piena carica. Pertanto, mentre la stima di un livello SOC dopo una ricarica parziale può essere influenzata da un certo intervallo di errore, secondo la RNA proposta, si verifica che la stima dello stato di piena carica sia molto precisa. Ogni volta che la stima della carica completa alimenta i nodi dello strato di input, tale valore è molto preciso e questo aiuta a evitare derive e una diminuzione della precisione nel tempo.
Claims (4)
- RIVENDICAZIONI 1. Un'unità di propulsione per veicoli comprendente: una batteria con una o più celle elettrochimiche, la batteria avendo una tensione di uscita e una corrente di uscita quando fornisce potenza; un motore elettrico azionato dalla potenza erogata dalla batteria; un gruppo di propulsione del veicolo azionato dal motore elettrico; un circuito di rilievo della corrente, della tensione e della temperatura di uscita della batteria; e un sistema di gestione della batteria comprendente un circuito di elaborazione accoppiato al circuito di rilievo della corrente di uscita della batteria, il circuito di elaborazione essendo configurato per modellare il comportamento della batteria con almeno una rete neurale ricorsiva, l'almeno una rete neurale ricorsiva comprendente un insieme di nodi di strato di input, un insieme di nodi di strato nascosto, e in cui almeno alcuni dei nodi dello strato di input riceve o un ingresso che rappresenta uno stato di carica assegnato della batteria o almeno un ingresso da uno stato temporale precedente di un nodo di strato di uscita che rappresenta la stima dello stato carica calcolata dal circuito di elaborazione.
- 2. Unità di propulsione secondo la rivendicazione 1, in cui il circuito di elaborazione è configurato per ricevere come ingresso assegnato dei nodi di strato di ingresso dopo una nuova accensione dell'unità, un valore precedentemente memorizzato che rappresenta lo stato di carica quando la trasmissione è stata spenta l’ultima volta prima della nuova accensione.
- 3. Unità di propulsione secondo la rivendicazione 1 o 2, in cui il circuito di elaborazione è configurato per commutare l'ingresso ai nodi di strato di ingresso dal valore assegnato dello stato di carica allo stato temporale precedente del nodo di strato di uscita dopo un intervallo di tempo predefinito e non nullo.
- 4. Unità di propulsione secondo una qualsiasi delle rivendicazioni precedenti, in cui lo strato nascosto è un singolo strato nascosto e i nodi di strato nascosto sono inferiori a 10, preferibilmente 8.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IT201900006987A IT201900006987A1 (it) | 2019-05-17 | 2019-05-17 | |
PCT/IB2020/054683 WO2020234743A1 (en) | 2019-05-17 | 2020-05-18 | Battery-powered propulsion unit for a vehicle and method thereof to estimate the state of charge |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IT201900006987A IT201900006987A1 (it) | 2019-05-17 | 2019-05-17 |
Publications (1)
Publication Number | Publication Date |
---|---|
IT201900006987A1 true IT201900006987A1 (it) | 2019-05-17 |
Family
ID=67660764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
IT201900006987A IT201900006987A1 (it) | 2019-05-17 | 2019-05-17 |
Country Status (2)
Country | Link |
---|---|
IT (1) | IT201900006987A1 (it) |
WO (1) | WO2020234743A1 (it) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858929B (zh) * | 2021-03-16 | 2022-09-06 | 上海理工大学 | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050194936A1 (en) * | 2003-12-18 | 2005-09-08 | Il Cho | Apparatus and method for estimating state of charge of battery using neural network |
US20180086222A1 (en) * | 2016-09-23 | 2018-03-29 | Faraday&Future Inc. | Electric vehicle battery monitoring system |
CN109557475A (zh) * | 2018-11-30 | 2019-04-02 | 北京新能源汽车股份有限公司 | 一种电池可用容量soc的确定方法及装置 |
-
2019
- 2019-05-17 IT IT201900006987A patent/IT201900006987A1/it unknown
-
2020
- 2020-05-18 WO PCT/IB2020/054683 patent/WO2020234743A1/en active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050194936A1 (en) * | 2003-12-18 | 2005-09-08 | Il Cho | Apparatus and method for estimating state of charge of battery using neural network |
US20180086222A1 (en) * | 2016-09-23 | 2018-03-29 | Faraday&Future Inc. | Electric vehicle battery monitoring system |
CN109557475A (zh) * | 2018-11-30 | 2019-04-02 | 北京新能源汽车股份有限公司 | 一种电池可用容量soc的确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2020234743A1 (en) | 2020-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ismail et al. | Battery state of charge estimation using an Artificial Neural Network | |
Chaoui et al. | Aging prediction and state of charge estimation of a LiFePO4 battery using input time-delayed neural networks | |
Li et al. | Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology | |
US11293987B2 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
Guo et al. | A compact and optimized neural network approach for battery state-of-charge estimation of energy storage system | |
He et al. | Online state-of-health estimation of lithium-ion batteries using Dynamic Bayesian Networks | |
Tong et al. | Battery state of charge estimation using a load-classifying neural network | |
Chen et al. | State-of-charge estimation of lithium-ion batteries based on improved H infinity filter algorithm and its novel equalization method | |
US10183590B2 (en) | Electric vehicle battery monitoring system | |
Fotouhi et al. | Lithium–sulfur battery state-of-charge observability analysis and estimation | |
He et al. | State of charge estimation for Li-ion batteries using neural network modeling and unscented Kalman filter-based error cancellation | |
Sun et al. | Adaptive unscented Kalman filtering for state of charge estimation of a lithium-ion battery for electric vehicles | |
Dong et al. | Active balancing of lithium-ion batteries using graph theory and A-star search algorithm | |
CN105974327A (zh) | 一种基于神经网络和ukf的锂电池组soc预测方法 | |
Park et al. | Hybrid electrochemical modeling with recurrent neural networks for li-ion batteries | |
US11360151B2 (en) | Method of diagnosing an electrical energy storage apparatus, an electronic device for use in an electrical energy storage apparatus and an electrical energy storage apparatus | |
KR20100063343A (ko) | 하이브리드 자동차의 배터리 건강상태 추정 시스템 및 방법 | |
Lee et al. | Li-ion battery electrode health diagnostics using machine learning | |
Meng et al. | Comparative study of lithium‐ion battery open‐circuit‐voltage online estimation methods | |
Shabarish et al. | SOC estimation of battery in hybrid vehicle using adaptive neuro-fuzzy technique | |
Hasan et al. | Performance comparison of machine learning methods with distinct features to estimate battery SOC | |
Rojas-Duenas et al. | Modeling of a DC-DC bidirectional converter used in mild hybrid electric vehicles from measurements | |
Zhang et al. | Lithium-ion battery calendar aging mechanism analysis and impedance-based State-of-Health estimation method | |
Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
Ozcan et al. | Online battery state-of-charge estimation based on sparse gaussian process regression |