Published February 1, 2024 | Version v1
Publication Metadata-only

A novel hybrid deep learning model for accurate state of charge estimation of Li-Ion batteries for electric vehicles under high and low temperature

Creators

  • 1. University of Agder
  • 2. Capital University of Science and Technology
  • 3. Xi'an Jiaotong University
  • 4. University of Science and Technology of China
  • 5. Kaunas University of Technology

Description

This paper presents a novel architecture, termed Fusion-Fission Optimisation (FuFi) based Convolutional Neural Network with Bi-Long Short Term Memory Network (FuFi-CNN-Bi-LSTM), to enhance state of charge (SoC) estimation performance. The proposed FuFi-CNN-Bi-LSTM model leverages the power of both Convolutional Neural Networks (CNN) and Bi-Long Short Term Memory Networks (Bi-LSTM) while utilizing FuFi optimization to effectively tune the hyperparameters of the network. This optimization technique facilitates efficient SoC estimation by finding the optimal configuration of the model. A comparative analysis is conducted against FuFi Algorithm-based models, including FuFi-CNN-LSTM, FuFi-Bi-LSTM, FuFi-LSTM, and FuFi-CNN. The comparison involves assessing performance on SoC estimation tasks and identifying the strengths and limitations of models. Furthermore, the proposed FuFi-CNN-Bi-LSTM model undergoes rigorous testing on various drive cycle tests, including HPPC, HWFET, UDDS, and US06, at different temperatures ranging from -20 to 25 degrees Celsius. The model's robustness and reliability are assessed under different real-world operating conditions using well-established evaluation indexes, including Relative Error (RE),Mean Absolute Error (MAE), R Square (R2), and Granger Causality Test. The results demonstrate that the proposed FuFi-CNN-Bi-LSTM model achieves efficient SoC estimation performance across a wide range of temperatures at higher and lower ranges. This finding signifies the model's efficacy in accurately estimating SoC in various operating conditions.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

تقدم هذه الورقة بنية جديدة، تسمى الشبكة العصبية التحويلية القائمة على الانصهار والانشطار (FuFi) مع شبكة الذاكرة قصيرة المدى الثنائية (FuFi - CNN - Bi - LTM)، لتعزيز أداء تقدير حالة الشحن (SoC). يستفيد نموذج FuFi - CNN - Bi - LSTM المقترح من قوة كل من الشبكات العصبية الالتفافية (CNN) وشبكات الذاكرة قصيرة الأجل ثنائية المدى (Bi - LSTM) مع استخدام تحسين FuFi لضبط المعلمات الفائقة للشبكة بشكل فعال. تسهل تقنية التحسين هذه تقدير SoC الفعال من خلال العثور على التكوين الأمثل للنموذج. يتم إجراء تحليل مقارن مقابل النماذج القائمة على خوارزمية FuFi، بما في ذلك FuFi - CNN - LSTM و FuFi - Bi - LSTM و FuFi - LSTM و FuFi - CNN. تتضمن المقارنة تقييم الأداء في مهام تقدير SoC وتحديد نقاط القوة والقيود في النماذج. علاوة على ذلك، يخضع نموذج FuFi - CNN - Bi - LTM المقترح لاختبارات صارمة في اختبارات دورة القيادة المختلفة، بما في ذلك HPPC و HWFET و UDDS و US06، عند درجات حرارة مختلفة تتراوح من -20 إلى 25 درجة مئوية. يتم تقييم متانة النموذج وموثوقيته في ظل ظروف تشغيل مختلفة في العالم الحقيقي باستخدام مؤشرات تقييم راسخة، بما في ذلك الخطأ النسبي (RE)،ومتوسط الخطأ المطلق (MAE)، و R Square (R2)، و Granger Causality Test. تُظهر النتائج أن نموذج FuFi - CNN - Bi - LTM المقترح يحقق أداءً فعالًا في تقدير SoC عبر مجموعة واسعة من درجات الحرارة في نطاقات أعلى وأدنى. تشير هذه النتيجة إلى فعالية النموذج في التقدير الدقيق لشركة نفط الجنوب في ظروف التشغيل المختلفة.

Translated Description (French)

Cet article présente une nouvelle architecture, appelée réseau neuronal convolutionnel basé sur l'optimisation de fusion-fission (FuFi) avec réseau de mémoire à court terme à deux longueurs (FuFi-CNN-Bi-LSTM), pour améliorer les performances d'estimation de l'état de charge (SoC). Le modèle FuFi-CNN-Bi-LSTM proposé tire parti de la puissance des réseaux neuronaux convolutionnels (CNN) et des réseaux de mémoire à court terme bi-long terme (Bi-LSTM) tout en utilisant l'optimisation FuFi pour régler efficacement les hyperparamètres du réseau. Cette technique d'optimisation facilite l'estimation efficace du SoC en trouvant la configuration optimale du modèle. Une analyse comparative est effectuée par rapport aux modèles basés sur l'algorithme FuFi, notamment FuFi-CNN-LSTM, FuFi-Bi-LSTM, FuFi-LSTM et FuFi-CNN. La comparaison implique d'évaluer les performances sur les tâches d'estimation SoC et d'identifier les forces et les limites des modèles. En outre, le modèle FuFi-CNN-Bi-LSTM proposé subit des tests rigoureux sur divers essais de cycle de conduite, y compris HPPC, HWFET, UDDS et US06, à différentes températures allant de -20 à 25 degrés Celsius. La robustesse et la fiabilité du modèle sont évaluées dans différentes conditions de fonctionnement réelles à l'aide d'indices d'évaluation bien établis, notamment l'erreur relative (ER), l'erreur absolue moyenne (EAM), le carré R (R2) et le test de causalité de Granger. Les résultats démontrent que le modèle FuFi-CNN-Bi-LSTM proposé atteint des performances d'estimation SoC efficaces dans une large gamme de températures à des plages supérieures et inférieures. Cette constatation indique l'efficacité du modèle pour estimer avec précision le SoC dans diverses conditions de fonctionnement.

Translated Description (Spanish)

Este documento presenta una arquitectura novedosa, denominada Red neuronal convolucional basada en la optimización de fusión-fisión (FuFi) con red de memoria bi-larga a corto plazo (FuFi-CNN-Bi-LSTM), para mejorar el rendimiento de la estimación del estado de carga (SoC). El modelo propuesto de FuFi-CNN-Bi-LSTM aprovecha el poder de las redes neuronales convolucionales (CNN) y las redes de memoria a corto plazo bi-largo plazo (Bi-LSTM) mientras utiliza la optimización de FuFi para ajustar eficazmente los hiperparámetros de la red. Esta técnica de optimización facilita la estimación eficiente del SoC al encontrar la configuración óptima del modelo. Se realiza un análisis comparativo contra los modelos basados en el algoritmo FuFi, incluidos FuFi-CNN-LSTM, FuFi-Bi-LSTM, FuFi-LSTM y FuFi-CNN. La comparación implica evaluar el rendimiento en las tareas de estimación del SoC e identificar las fortalezas y limitaciones de los modelos. Además, el modelo propuesto de FuFi-CNN-Bi-LSTM se somete a pruebas rigurosas en varias pruebas de ciclo de conducción, incluyendo HPPC, HWFET, UDDS y US06, a diferentes temperaturas que van desde -20 a 25 grados centígrados. La solidez y fiabilidad del modelo se evalúan en diferentes condiciones de funcionamiento del mundo real utilizando índices de evaluación bien establecidos, incluidos el error relativo (RE), el error absoluto medio (MAE), el cuadrado R (R2) y la prueba de causalidad de Granger. Los resultados demuestran que el modelo propuesto de FuFi-CNN-Bi-LSTM logra un rendimiento eficiente de estimación de SoC en un amplio rango de temperaturas en rangos más altos y más bajos. Este hallazgo significa la eficacia del modelo para estimar con precisión el SoC en diversas condiciones de operación.

Additional details

Additional titles

Translated title (Arabic)
نموذج تعلم عميق هجين جديد لتقدير دقيق لحالة شحن بطاريات Li - Ion للسيارات الكهربائية تحت درجة حرارة عالية ومنخفضة
Translated title (French)
Un nouveau modèle hybride d'apprentissage profond pour une estimation précise de l'état de charge des batteries Li-Ion pour les véhicules électriques à haute et basse température
Translated title (Spanish)
Un nuevo modelo híbrido de aprendizaje profundo para una estimación precisa del estado de carga de las baterías de iones de litio para vehículos eléctricos a altas y bajas temperaturas

Identifiers

Other
https://openalex.org/W4391630621
DOI
10.1016/j.energy.2024.130584

Is supplement to
https://openalex.org/W4388623464 (Other)
https://openalex.org/W4385625847 (Other)
https://openalex.org/W3195056770 (Other)
https://openalex.org/W3190332208 (Other)
https://openalex.org/W3126531014 (Other)
https://openalex.org/W3006423619 (Other)
https://openalex.org/W2519883542 (Other)
https://openalex.org/W2098124661 (Other)
https://openalex.org/W2004734718 (Other)
https://openalex.org/W1562159987 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Pakistan

References

  • https://openalex.org/W2792643794
  • https://openalex.org/W2894821558
  • https://openalex.org/W2920560441
  • https://openalex.org/W2922306207
  • https://openalex.org/W2944851425
  • https://openalex.org/W2979650406
  • https://openalex.org/W2989818023
  • https://openalex.org/W3007748809
  • https://openalex.org/W3009959058
  • https://openalex.org/W3019324730
  • https://openalex.org/W3020530497
  • https://openalex.org/W3022040063
  • https://openalex.org/W3028003652
  • https://openalex.org/W3033613562
  • https://openalex.org/W3039610325
  • https://openalex.org/W3109173194
  • https://openalex.org/W3136820943
  • https://openalex.org/W3138902799
  • https://openalex.org/W3154261610
  • https://openalex.org/W3163427989
  • https://openalex.org/W3165640924
  • https://openalex.org/W3172280330
  • https://openalex.org/W3178086426
  • https://openalex.org/W3183449124
  • https://openalex.org/W3184194996
  • https://openalex.org/W3203257659
  • https://openalex.org/W4200134328
  • https://openalex.org/W4200504681
  • https://openalex.org/W4210922522
  • https://openalex.org/W4225272294
  • https://openalex.org/W4226181231
  • https://openalex.org/W4226202453
  • https://openalex.org/W4281673375
  • https://openalex.org/W4281725269
  • https://openalex.org/W4282822766
  • https://openalex.org/W4283586212
  • https://openalex.org/W4286501706
  • https://openalex.org/W4288050066
  • https://openalex.org/W4290098823
  • https://openalex.org/W4290647841
  • https://openalex.org/W4293731785
  • https://openalex.org/W4295125731
  • https://openalex.org/W4295845568