Self-Adaptive Neural Network-Based Fractional-Order Nonlinear Observer Design for State of Charge Estimation of Lithium-Ion Batteries

荷电状态 控制理论(社会学) 非线性系统 人工神经网络 观察员(物理) 计算机科学 电池(电) 算法 人工智能 物理 功率(物理) 控制(管理) 量子力学
作者
Ruohan Guo,Yiming Xu,Cungang Hu,Weixiang Shen
出处
期刊:IEEE-ASME Transactions on Mechatronics [Institute of Electrical and Electronics Engineers]
卷期号:29 (3): 1761-1772 被引量:13
标识
DOI:10.1109/tmech.2023.3321719
摘要

Accurate state of charge (SOC) estimation provides an essential basis for the functionalities of battery management systems in electric vehicles (EVs). However, conventional equivalent circuit models suffer significant model accuracy deterioration under extreme SOCs, nonroom temperatures, and heavy loads. In this work, we implant the Butler–Volmer (BV) equation and the fractional-order model representation into a model-based physics-informed neural network (M-PINN) to simulate current-dependent battery charge transfer dynamics under various operating conditions. This M-PINN replaces the original neuron structure with a set of submodels and allows the BV coefficient to be randomly selected in a roughly estimated range for each submodel. By applying the Lyapunov analysis, a self-adaptive neural network-based fractional-order observer is proposed to guarantee the uniform ultimate boundedness stability of both system states and M-PINN weights, thereby achieving accurate online SOC estimation without necessitating substantial data and efforts for offline neural network training. The experimental validations are implemented under three EV driving profiles with different average currents at −5, 5, 20, and 35 Celsius. The validation results demonstrate that the proposed method achieves the mean absolute errors of less than 0.9% in all the validation scenarios.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
华仔应助小孙采纳,获得10
刚刚
2秒前
3秒前
帝国之花发布了新的文献求助30
3秒前
4秒前
5秒前
5秒前
6秒前
现代笑珊发布了新的文献求助10
7秒前
sy发布了新的文献求助10
8秒前
10秒前
11秒前
narall发布了新的文献求助10
11秒前
12秒前
活力迎梦完成签到,获得积分10
13秒前
科目三应助咻咻小宝采纳,获得10
13秒前
vlots应助春和景明采纳,获得30
14秒前
15秒前
15秒前
大气的念薇完成签到 ,获得积分10
16秒前
活力迎梦发布了新的文献求助10
16秒前
17秒前
现代笑珊完成签到,获得积分10
17秒前
小孙发布了新的文献求助10
18秒前
小二郎应助Grayball采纳,获得10
18秒前
成就的涫发布了新的文献求助10
19秒前
DD发布了新的文献求助10
20秒前
22秒前
23秒前
sunwx发布了新的文献求助10
23秒前
23秒前
23秒前
勤恳听筠完成签到,获得积分10
23秒前
星辰大海应助顺利的忆翠采纳,获得10
24秒前
李总要发财小苏发文章完成签到,获得积分10
24秒前
美好的隶发布了新的文献求助10
26秒前
yolo发布了新的文献求助30
27秒前
28秒前
阿童木完成签到,获得积分10
29秒前
白芷苏发布了新的文献求助20
29秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3256348
求助须知:如何正确求助?哪些是违规求助? 2898650
关于积分的说明 8301746
捐赠科研通 2567765
什么是DOI,文献DOI怎么找? 1394718
科研通“疑难数据库(出版商)”最低求助积分说明 652913
邀请新用户注册赠送积分活动 630557