인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
State of Health estimation in lithium-ion batteries is critical for reliable operation in electric vehicles and energy storage systems. This work evaluates four deep learning models-Multilayer Perceptron, Gated Recurrent Unit, Long Short-Term Memory, and Temporal Convolutional Network for cycle-based SoH prediction using discharge data from the NASA B0005, B0006, and B0007 cells. SoH values were obtained by numerical integration of discharge current and normalized with respect to the initial capacity. All models were implemented in PyTorch and assessed using RMSE, MAE, and R² metrics. On B0005, the MLP achieved RMSE 0.0069, MAE 0.0049, and R² = 0.9955, with TCN showing similar accuracy. Results on B0006 and B0007 confirmed the stability of MLP and TCN predictions across different cells. Residuals remained tightly clustered, and loss curves indicated smooth convergence. GRU and LSTM required higher training time without accuracy improvements. MLP demonstrated the best balance of accuracy and computational efficiency, making it suitable for embedded battery management systems. TCN provided robust accuracy with moderate complexity. The results verify that data-driven deep learning methods can capture nonlinear degradation behavior consistently across multiple cells.
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
