Estimation of state of health and remaining useful life of Li-ion batteries using LSTM, SVR, and GRN models
- سال انتشار: 1404
- محل انتشار: نهمین همایش بین المللی دانش و فناوری مهندسی برق، کامپیوتر و مکانیک ایران
- کد COI اختصاصی: UTCONF09_092
- زبان مقاله: انگلیسی
- تعداد مشاهده: 59
نویسندگان
R&D Manager of RAH SUN Company
CEO of RAHSUN Company
Technology Consultant of RAHSUN Company
چکیده
In this study, the state of health (SOH) and remaining useful life (RUL) of lithium-ion batteries are estimated using the most widely used and accurate machine-learning methods, including long short-term memory (LSTM), gated residual network (GRN), and support vector regressor (SVR). This study is done to prepare a numerical comparison about SOH and RUL estimation of lithium-ion batteries using machine learning methods. This kind of batteries are widely consumed in different industrial applications and it is necessary for the user to have an accurate estimation of SOH and RUL. NASA data was used to train the models. Based on the results, LSTM has the highest accuracy in estimating the SOH and RUL of lithium-ion batteries.کلیدواژه ها
lithium-ion batteries, SOH, RUL, LSTM, GRN, SVRمقالات مرتبط جدید
- ارزیابی اقتصادی و زیست محیطی سناریوهای ترکیب انرژی تجدیدپذیر در برنامه ریزی تولید برق ایران تا افق ۱۴۱۰
- بررسی فناوریها و استراتژیها برای بهینه سازی مصرف انرژی و افزایش کارایی در شبکه های توزیع
- فناوری اطلاعات و ارتباطات سبز
- Hoo Controller Design for a Quadruple-Tank Multivariable System: Robust Performance via Weighted Sensitivity Shaping
- تاثیر حیاتی همبستگیهای آماری ضعیف بادبار بر قابلیت اطمینان سیستمهای قدرت: دیدگاهی فراتر از مدلهای سنتی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.