AI Summary & Key Takeaways
AI InsightWe release phase‑aware OCV tables, a trained LSTM, and configuration files for seamless one‑command reproduction.
📌 3 Key Takeaways
Abstract
Reliable state‑of‑charge estimation remains difficult in the presence of long‑term ageing, open‑circuit‑voltage hysteresis, and variable operating profiles. We investigate a hybrid estimator that marries a first‑principles equivalent‑circuit model with sequence learners, coupled through a residual‑aware fusion rule. Using a minute‑resolution ageing dataset from a lithium‑titanate (LTO) cell (236,282 samples across 2500 cycles), we identify phase‑aware OCV‑to‑SoC lookup tables for charge and discharge, deploy an extended Kalman filter with soft half‑cycle anchoring, and train LSTM, 1D‑CNN, and Transformer baselines with physics‑informed regularization promoting Coulomb consistency and concordance between OCV and terminal voltage. The phase‑aware EKF attains MAE 0.04535 and RMSE 0.05057 on cycle‑wise averages. A stitched LSTM yields MAE 0.03023 and RMSE 0.05192. Residual‑weighted fusion of EKF and LSTM produces MAE 0.03049 and RMSE 0.03991, which represents a 21% reduction relative to EKF while preserving the LSTM’s low bias. A coarse parameter sweep over the circuit model confirms expected early‑life behavior, namely lower resistance and a longer polarization time constant. At the window level, a physics‑informed LSTM achieves MAE 0.0184. The fusion is model‑agnostic, requires no retraining of the base estimators, and adds negligible computational overhead. We release phase‑aware OCV tables, a trained LSTM, and configuration files for seamless one‑command reproduction.
Özet
Uzun vadeli yaşlanma, açık devre voltajı histerezisi ve değişken çalışma profilleri söz konusu olduğunda, güvenilir şarj durumu tahmini yapmak zor olmaya devam etmektedir. Biz, kalıntı farkında füzyon kuralı ile birleştirilen, ilk ilkelere dayalı eşdeğer devre modelini sekans öğrenicilerle birleştiren bir hibrit tahminciyi araştırıyoruz. Lityum titanat (LTO) hücresinden elde edilen dakika çözünürlüklü yaşlanma veri setini (2500 döngüde 236.282 örnek) kullanarak, şarj ve deşarj için faz farkında OCV-SoC arama tabloları belirliyor, yumuşak yarım döngü sabitleme ile genişletilmiş Kalman filtresi uyguluyor ve LSTM, 1D-CNN ve Transformer temel modellerini, OCV ve terminal voltajı arasında Coulomb tutarlılığını ve uyumu destekleyen fizik bilgisine dayalı düzenleme ile eğitiyoruz. Faz farkında EKF, döngü bazında ortalamalarda MAE 0,04535 ve RMSE 0,05057 değerlerine ulaşıyor. Birleştirilmiş LSTM, MAE 0,03023 ve RMSE 0,05192 değerleri veriyor. EKF ve LSTM'nin kalıntı ağırlıklı füzyonu, MAE 0,03049 ve RMSE 0,03991 değerleri verir; bu, LSTM'nin düşük önyargısını korurken EKF'ye göre %21'lik bir azalma anlamına gelir. Devre modeli üzerinde yapılan kaba parametre taraması, beklenen erken yaşam davranışını, yani daha düşük direnç ve daha uzun polarizasyon zaman sabitini doğrulamaktadır. Pencere düzeyinde, fizik bilgisine dayalı LSTM, MAE 0,0184 değerine ulaşmaktadır. Füzyon, modelden bağımsızdır, temel tahmincilerin yeniden eğitilmesini gerektirmez ve ihmal edilebilir düzeyde hesaplama yükü ekler. Kesintisiz tek komutlu yeniden üretim için faz farkında OCV tabloları, eğitilmiş LSTM ve yapılandırma dosyalarını yayınlıyoruz.