Ước lượng trạng thái sạc pin cho xe ô tô điện dựa trên phương pháp mạng nơ ron học sâu deep learning

Ước lượng Trạng Thái Sạc Pin Cho Xe Ô Tô Điện Dựa Trên Phương Pháp Mạng Nơ Ron Học Sâu-Deep Learning Võ Thanh Hà1, Phạm Thị Giang2, Đào Thanh Toản1 và Trịnh Lương Miên1 1Khoa Điện-Điện

Ước lượng Trạng Thái Sạc Pin Cho

Xe Ô Tô Điện Dựa Trên Phương Pháp Mạng Nơ Ron Học Sâu-Deep Learning

Võ Thanh Hà1, Phạm Thị Giang2, Đào Thanh Toản1 và Trịnh Lương Miên1

1Khoa Điện-Điện Tử, Trường Đại học Giao Thông Vận Tải

2Khoa Điện, Trường Đại học Kinh Tế Kỹ Thuật Công Nghiệp

Email: vothanhha.ktd@utc.edu.vn

Abstract— Trong bài báo đã đề xuất mô hình ước lượng

trạng thái sạc của pin Lithium-ion cho xe ô tô điện dựa

trên phương pháp mạng nơ ron học sâu deep learning Mô

hình gồm 3 lớp như 1 lớp vào với 5 tín hiệu đặc trưng

(điện áp, dòng điện, nhiệt độ, trung bình điện áp và dòng

điện), 1 lớp ẩn với 50 nút mạng nơ ron và 1 lớp ra Mô

hình dự đoán dùng thuật toán bình phương trung bình

RMSE, để tối ứu hoá hàm mất mát với sai lệch nhỏ Mô

hình này đã ước lượng được thiết kế và hiệu quả của

phương pháp này được chứng minh thông qua kết quả

mô phỏng MATLAB Ước lượng trạng thái SOC của pin

LG HG2 trong các điều kiện nhiệt độ khác nhau đã đạt

được hiệu quả với sai số nhỏ

Keywords- Xe ô tô điện, Deep Learning, Học Sâu, Pin

Xe Điện, AI, RMSE

I GIỚITHIỆU Trong những năm gần đây, phương tiện xe ô tô điện

ngày càng có xu hướng sử dụng sẽ dần thay thế cho xe

động cơ đốt trong Xe ô tô điện mang lại nhiều lợi ích

cho môi trường và khắc phục nhiều nhược điểm của xe

truyền thống như phát huy mô-men nhanh, không thải

khí ra mô trường Vì vậy xe ô tô điện sẽ là một lựa chọn

nhiều hàng sản xuất cũng như người sử dụng trong

nước cũng như trên thế giới Trong đó vấn đề nghiên

cứu về hệ thống quản lý năng lượng pin đã và đang thu

hút nhiều nhà nghiên cứu trên thế giới Bời vì pin là

thành phần đặc biệt quan trọng quyết đến hiệu suất sử

dụng, giá thành của xe ô tô điện [1] Các loại pin có thể

được sử dụng trên xe điện như pin axit chì, NiMH, pin

lithium-ion [2] Trong số đó, pin lithiumion được sử

dụng rộng rãi do mật độ năng lượng cao, hiệu suất cao,

tuổi thọ dài, tốc độ tự xả thấp và điện áp cao [3] Một

số công ty thích pin lithium-ion hơn các loại pin khác vì

những ưu điểm của pin, chẳng hạn như sạc nhanh, công

suất cao, ít ô nhiễm và kéo dài tuổi thọ và thị phần pin

lithium-ion trên thị trường đang tăng lên liên tục [4] Do

những đặc điểm nổi trội đó nên đã thu hút được nhiều

nhà khoa học nghiên cứu quản lý năng lượng pin trong

những năm gần đây [5]

Hệ thống quản lý pin (BMS) đảm nhận công đoạn

truyền dữ liệu giữa các pin và chương trình quản lý năng

lượng của xe ô to điện Hệ thống BMS này bao gồm các

giải pháp và thuật toán điều khiển để đảm bảo tính hiệu quả và an toàn của bộ pin Hệ thống này bao gồm các phương pháp xác định tình trạng pin như trạng thái sạc (State-of-Charge- SOC) và Trạng thái tuổi thọ (State-of- Health -SoH) Từ SOC cho biết dung lượng pin còn lại

và được yêu cầu để xác định chính xác tuổi thọ của pin [6] Do đó, cần phải có một ước tính chính xác về SOC của pin Tuy nhiên, do các đặc tính phi tuyến của pin, đặc biệt là ở dòng điện cao và nhiệt độ thấp, ngành công nghiệp ô tô vẫn phải đối mặt với một vấn đề trong việc cải thiện các phương pháp dự đoán SoC Hiện này các phương pháp ước tính trạng thái bộ sạc pin đều có những đặc điểm riêng Phương pháp đếm dung lượng theo thời gian - Coulomb (CC) sử dụng tích ohaan dòng

xả hoặc sạc để tính dung lượng còn lại trong pin

Phương pháp này thực hiện tính toán đơn giản nên phương pháp được sử dụng rất rộng rãi Tuy nhiên, phương pháp CC không chính xác trong thời gian dài và khó khăn trong việc xác định giá trị SOC ban đầu, ảnh hưởng do quá trình tự xả của pin và sai số của cảm biến [7] Phương pháp OCV (Open Circuit Voltage) sử dụng sức điện động ổn định của pin ở trạng thái hở mach kết hợp với quan hệ tuyến tính giữa OCV và SOC để ước lượng giá trị SOC Phương pháp này thực hiện đơn giản nhưng độ chính xác không cao, mất nhiều thời gian Vì vậy chỉ phù hợp với trường hợp tồn tại mỗi liên quan này, trong khi đó pin Lithum-ion không có mối quan hệ giữa OCV và SOC [8] Phương pháp dựa trên mô hình pin bao gồm mô hình điện hoá và mạch tương đương

Trong đó mô hình mạch tương đương chủ yếu là điện trở và RC Mô hình mạch cho pin Đây là mô hình lý tưởng, đã bỏ qua hiệu ứng có độ trễ và tác động của môi trường làm việc (nhiệt độ lớn) Vì vậy phương pháp này không phù hợp để ước lượng giá trị SOC [9] Bên cạnh

đó, các phương pháp với các thuật toán lọc thích nghi

và dựa vào tích luỹ thời gian để chẩn đoán trạng thái bộ sạc như bộ lọc Kalman (KF), bộ lọc Kalman mở rộng (EKF) là một trong những lựa chọn giải pháp ước lượng giá trị SOC Trong đo phương pháp KF ước lượng chính xác trạng bất định.Tuy nhiên, KF không sử dụng được trực tiếp để dựn đoán trạng thái của hệ phi tuyến.Đồng thời, KF còn đòi hỏi tính toán phức tạp [10] Phương pháp EKF được thiết kế để khắc phục những nhược

điểm của phương pháp KF và vẫn đảm bảo ước lượng

trạng thái chính xác [11] Các phương pháp KF v à EKF

đòi hỏi phải sử dụng một mô hình pin chính xác với các

thông số để cung cấp ước tính chính xác về SOC [12]

Bên cạnh đó, kết hợp phương pháp dựa trên mô hình

với bộ quán sát phi tuyến như bộ quan sát trượt,

Luenberger đã tăng độ tin cậy của các kết quả ước lượng

[13]

Ngày nay, phương pháp trí tuệ nhân tạo (AI) đã và

đang ứng dụng nhiêu trong lĩnh vực xử lý ảnh, nhận

dạng giọng nói, xử lý ngôn ngữ tự nhiên và dự đoán

trạng thái Trong đó, phương pháp học sâu (deep

learning-DL) là một dạng nâng cấp của mạng nơ ron

kinh điển Bên cạnh đó, các nhà khoa học đã kết hợp

hiệu quả của DL với các chương trình đào tạo và sửa

đổi thông minh để dự báo sạc SOC của bộ pin Li-ion

Các tác giả của [11] sử dụng DL perceptron đa lớp để

dự báo trạng thái xả và sạc của pin nhằm cải thiện độ

chính xác Tuy nhiên, các biến thể DL khác vẫn chưa

được kiểm tra để ước tính SOC Các tác giả của [12] đã

sử dụng mạng bộ nhớ ngắn hạn LSTM đã được đào tạo

và thử nghiệm trên các chu kỳ làm việc cụ thể Kết quả

cho thấy rằng tăng độ chính xác trong việc chấn đoán

các trạng thái Vì vậy, trong bài báo này sẽ ứng dụng

phương pháp DL-LSTM để giải quyết vấn đề ước tính

trạng thái sạc củau pin SOC

Bài báo được sắp xếp năm phần như sau Tham số

chính của sạc pin xe điện được thể hiện phần 2 Mô hình

ước lượng trạng thái sạc của pin ô tô điện sử dụng DL

được thảo luận chi tiết trong Phần 3 Phần 4 mô tả xây

dựng mô phỏng quá trình ước lượng của DL-STM Cuối

cùng, trong phần 5 đưa ra kết luận và hướng nghiên cứu

trong tương lai

II THAMSỐCHÍNHCỦASẠCPINXE

ÔTÔ ĐIỆN Tham số chính của sạc pin xe ô tô điện được xác định từ mỗi chu kỳ xả, đó là dựa trên dữ liệu về điện

áp xả, dòng điện xả, nhiệt độ và thời gian [15]

2.1 Nội điện trợ DC

Theo tài liệu [13], nội điện trợ DC được xác định bởi công thức (1) Công thức với giải thiết sụt dung

lượng pin trong một khoảng thời gian xác định nhỏ, sao

cho sụt điện áp do nội điện trở DC gây nên

𝑅𝐷𝐶 =!!" "!!#

Trong đó: Vt1; Vt2 là cực điện áp của pin tại t1 và t2; It2 là

dòng xả tại thời điểm t2

2.2 Phương sai của nhiệt độ

Nhiệt độ bề mặt tăng lên trong quá trình sinh nhiệt, không đổi và thay đổi trong giai đoạn xả Nhiệt độ

này được tạo bởi I2R và phản ứng hoá học Khi dung

lượng pin suy giảm thì nhiệt độ tăng lên dẫn đến phương

sai nhiệt lớn Phương sai nhiệt độ trong mỗi chu kỳ

được tính toán bởi công thức (2)

Trong đó: E là sức điện động; Ti là mẫu nhiệt độ thứ i

trong n chu kỳ

2.3 Phương sai điện áp xả

Khi điện áp xả nhanh hơn khi dung lượng pin suy giảm Phương sai điện áp xả trong mỗi chu kỳ được viết như công thức (3)

𝑉 = E (𝑉$− 𝜇)%

Trong đó: E là sức điện động; Vi là mẫu điện áp thứ i trong n chu kỳ

2.4 Chênh lệch điện áp

Chênh lệch điện áp giữa chu kỳ đầu và các chu

kỳ sau đó là chênh lệch năng lượng phóng giữa chu kỳ đầu và các chu kỳ sau Sự chênh lệch năng lượng này

có mối quan hệ phi tuyến với suy giảm dung lượng pin

∆𝑄&"'= 𝑄'− 𝑄& (4)

CỦAPINÔTÔĐIỆNSỬDỤNGDEEPLEARNING Như đã biết, phương pháp deep leaning được xây dựng từ nhiều kiểu mạng nơ ron (truyền thẳng, lan truyền ngược….) Trong đó, mạng nơ-ron truyền thẳng

xử lý dữ liệu theo một chiều, từ nút đầu vào đến nút đầu

ra Mỗi nút trong một lớp được kết nối với tất cả các nút trong lớp tiếp theo Mạng truyền thẳng sử dụng một quy trình phản hồi để cải thiện dự đoán theo thời gian Mạng nơ-ron deep learning, có nhiều lớp ẩn với hàng triệu nơ-ron nhân tạo liên kết với nhau Trọng số, có chức năng kết nối giữa hai nút Trọng số sẽ dương nếu một nút kích thích nút còn lại, hoặc âm nếu một nút ngăn cản nút còn lại Các nút với trọng số cao hơn sẽ có ảnh hưởng lớn hơn lên các nút khác Về mặt lý thuyết, mạng nơ-ron chuyên sâu có thể ánh xạ bất kỳ loại dữ liệu đầu vào với bất kỳ loại dữ liệu đầu ra nào Tuy nhiên, mạng

DL cũng cần được đào tạo hơn rất nhiều so với các phương pháp máy học khác Mạng DL cần hàng triệu

dữ liệu đào tạo

Trong bài báo đưa ra cấu trúc mạng nơ ron như hình 1 bao gồm một lớp đầu vào có 5 tín hiệu như điện

áp, dòng điện, nhiệt độ, phương sai nhiệt độ và điện áp, lớp ẩn có 50 lớp và một lớp ra Để đào tạo nơ ron sâu bao gồm phương pháp đào tạo, tối ưu hoá các hàm mất mát (loss) và báo lỗi Thuật toán tối ưu hóa thực hiện nhiệm vụ quan trọng tìm điểm hội tụ trong suốt quá trình đào tạo mạng nơ-ron sâu được đề xuất Để đạt được hiệu quả tìm nghiệm hội tụ mong muốn, thông thường

sử dụng tối ưu hóa Stochastic Gradient Descent (SGD)

để đào tạo các mạng nơ ron sâu Tuy nhiên, ngày nay các kỹ thuật tối ưu hóa nhanh hơn, chẳng hạn như giảm

độ dốc ngẫu nhiên, truyền bình phương trung bình gốc, tối ưu hóa Adam, tối ưu hóa Nesterov Adam, để cải thiện độ chính xác của giải pháp Bài báo này sử dụng tối ưu kỹ thuật tối ưu SGD để tối ưu hóa khung nơ ron sâu Để đào tạo, mô hình nơ ron sâu được đề xuất, SGD với kỹ thuật tối ưu hóa được sử dụng chia dữ liệu với kích thước là 256 Quá trình học được lặp đi lặp lại để cập nhật trọng số, giá trị bias và độ chệch để thực hiện cho các thuật toán học có giám sát sao cho giảm sai số giữa giá trị thử nghiệm và giá trị ước tính Giá trị ước tính được biểu thị bằng vectơ Yk (SoCk), trong trường

hợp này đại diện cho SOC đo được Trong bài báo, sử

dụng sai số bình phương trung bình là hàm

Root-Mean-Square-Error (RMSE) làm hàm mất mát, được trình

bày trong công thức (5), trong đó N là số mẫu dữ liệu

mẫu và 𝑌0 (𝑆𝑂𝐶( 3 ) là SOC được xác định bởi thuật toán (

đề xuất

𝑅𝑀𝑆𝐸6)'∑) 8(𝑆𝑂𝐶3 − 𝑆𝑂𝐶( ()

Dự đoán các lỗi bằng cách tính toán đạo hàm riêng của hàm mất mát đối với mỗi biến có thể học, sau

đó được sử dụng để sửa đổi các giá trị tham số Phương

pháp DL là quá trình học đi lặp đi lặp lại nhiều lần cho

đến khi các tiêu chí đào tạo được đáp ứng (lỗi nhỏ nhất)

Chính vì vậy, bài báo lựa chọn dữ liệu vào mạng nơ ron

(Epochs) là 1200, sử dụng chia dữ liệu (bactchsize) là ,

tốc độ học ban đầu là 0.01, khoảng thời gian giảm tốc

độ học là 400ms, hệ số giảm tốc độ học là 0,1, tần suất

xác thực là 30, cứ sau 500 giây cho đến khi hoàn thành

giai đoạn đào tạo Toàn bộ quá trình của mô hình được

đề xuất để ước tính SOC của pin Li-ion được thể hiện

qua hình 2

Hình 1: Cấu trúc mạng nơ ron học sâu cho SOC

Hình 2: Cấu trúc Deep learning cho ước

lượng trạng thái sạc của pin SOC

Trong bài báo sử dụng thông số mạng nơ ron deep-learning như

Bảng 1: Thông số mô phỏng mạng deep-learning

cho lớp ẩn và hàm RELU cho lớp ra Khoảng thời giảm tốc độ học 400ms

Ước lượng trạng thái sạc của pin ô tô điện dựa trên deep learning sẽ được thực hiện ba bước như thu nhập

dữ liệu đầu vào, tiếp theo tạo tập dữ liêụ mẫu và cuối cùng cho mạng nơ ron đào tạo và đưa ra kết quả

Bước 1: Dữ liệu đâù vào

Bên cạnh đó để ước lượng được trạng thái SOC, bàì báo sử dụng dữ liệu đào tạo của pin LG 18650HG2 Li-ion, 3Ah mới 100% được thử nghiệm trong buồng nhiệt với 75A, 5 V Độ chính xác điện áp và dòng điện trong phạm vi 0,1% của thang đo 3Ah Một loạt các thử nghiệm đã được thực hiện ở bốn nhiệt độ khác nhau Pin được sạc sau mỗi lần thử nghiệm với tốc độ một chu

kỳ trên giây đến 4,2 V với mức cắt 50 mA khi nhiệt độ pin đạt 22 ° C trở lên

Trong bài báo này, tập dữ liệu ở nhiệt độ môi trường xung quanh 25 ° C, 10 ° C, 0 ° C và -10 ° C được xem xét Các cấu hình đầu ra của chu kỳ hoạt động được thực hiện cho đến khi nơ ron đã được xả đến 95% khả năng xả 1C của pin ở nhiệt độ thích hợp Điện áp, dòng điện và nhiệt độ của các tế bào LG HG2 trong các chu

kỳ xả khác nhau với các điều kiện nhiệt độ khác nhau, như hình 5a – 5d minh họa các chu kỳ hoạt động khác nhau của LG HG2 dưới nhiệt độ âm 10 ° C, 10 ° C, 0 °

C và 25 ° C

Bước 2: Tạo tập mẫu

Đầu tiên, tạo lớp đầu vào gồm có năm tín hiệu đặc trưng của sạc pin xe ô tô điện (điện áp, dòng điện, nhiệt

độ, trung bình điện áp và dòng điện); số lớp ần được lựa chọn là 50 và một lớp đầu ra Dự liệu đầu vào được thể hiện qua hình 4

Quá trình tạo tập mẫu mạng nơ ron sâu sử dụng hàm mất mát là bình phương sai trung bình RMSE đưa giá trị sai số giữa trạng thái SOC dự báo với SOC mẫu trong từng trường hợp nhiệt độ được thể hiện qua hình

3 Sai số giữa trạng thái SOC dự đoán với SOC mẫu từ

791 đến 1200 dữ liệu đầu vào với tần số hội tụ 30, tốc

độ học 0.01 thì sai số giữa mô hình SOC dự đoán và mẫu có giá nhỏ 98.9%

Hình 3: Kết quả đào tạo giữa trạng thái SOC dự báo với SOC mẫu

Hình 4: Đáp ứng dữ liệu dòng điện, điện áp, nhiệt

độ

Để tiến hành kiểm tra tập mẫu thì đưa ra dự đoán

trên dữ liệu thử nghiệm bằng cách sử dụng dự đoán Để

tránh phải thêm các trình tự để đảm bảo rằng tất cả các

trình tự trong một lô nhỏ có cùng độ dài, hãy đặt kích

thước lô nhỏ thành 1 Mạng nơ ron sâu thực hiện tính

sai số giữa SOC dự đoán và SOC mẫu cho mỗi nhiệt độ

khác nhau (−10 ° C, 0 ° C, 10 ° C và 25 ° C) lần lượt, có kết quả như hình 5

Hình 5: Chu kỳ hoạt động nhiệt độ của pin LG HG2

Qua hình 5 nhận thấy rằng chu kỳ hoạt động nhiệt

độ pin ô tô điện dự đoán được tạo đúng với từng trường

hợp nhiệt độ mẫu

Tính toán sai số bình phương trung bình gốc

(RMSE) và sai số tuyệt đối lớn nhất giữa SOC dự đoán

và SOC mẫu cho mỗi nhiệt độ môi trường tương ứng

Chỉ định các hàm mất mát tùy chỉnh định để tính toán

các giá trị tổn thất dựa trên các giá trị dự đoán đã được

cắt giảm Kết quả mô phỏng được thể hiện tại hình 6

Qua hình 6 nhận thấy rằng các giá trị thấp hơn

trong đồ thị RMSE và đồ thị sai số tuyệt đối tối đa cho

thấy các dự đoán chính xác hơn cho các nhiệt độ tương

ứng Nếu các giá trị lớn hơn trong các ô giống nhau cho

thấy các dự đoán kém chính xác hơn cho các nhiệt độ

tương ứng

Hình 6: Đồ thị RMSE và sai số tuyệt đối max giữa SOC dự đoán và mẫu tại mỗi nhiệt độ xác định

Bước 3: Đào tạo và kết quả

Kết quả dự đoán mô hình SOC của pin được thể hiện qua hình 7

Hình 7: Đáp ứng dự đoán trạng thái sạc của pin xe ô tô điện

Hình 7 cho thấy sự phù hợp đường cong của SOC

thử nghiệm và SOC dự đoán Qua đồ thị hình 7 hiện

thị các dự đoán mạng nơ-ron của SOC theo thời gian

Các dự đoán mạng nơ ron sâu gần với giá trị SOC thu

được từ dữ liệu thử nghiệm Mạng nơ ron sâu dự đoán

trạng thái tích điện với độ chính xác 3 lớp với 50 nơ

ron trong 1 lớp nơ ron trong phạm vi nhiệt độ từ –10˚

C đến 25˚, dự đoán các giá trị SOC với độ chính xác cao

Trong nghiên cứu này, một phương pháp dự đoán SOC dựa trên deep learning mới cho pin Li-ion được thiết kế và hiệu quả của phương pháp này được chứng minh thông qua kết quả mô phỏng Matlab Ước lượng

SOC của pin LG HG2 trong các điều kiện nhiệt độ khác

nhau đã đạt được hiệu quả với sai số dưới 5% Do đó,

mô hình DL được đề xuất hứa hẹn và việc sử dụng mô

hình trong các kịch bản ước tính SoC cho xe ô tô điện,

tuy nhiên cần được kiểm tra kỹ lưỡng khi áp dụng các

kỹ thuật học máy Nghiên cứu này đóng góp quan trọng

bằng cách thúc đẩy sự phát triển của pin Li-ion Ước

lượng SOC thông qua thuật toán DN, kết quả là nâng

cao hiệu suất ước tính SOC và giảm tỷ lệ lỗi trong các

thử nghiệm chu kỳ truyền động EV khác nhau Tuy

nhiên, hiệu quả của mô hình này cần phải tiến hành so

sánh với các mô hình tương tự khác trong tương lai

bằng mô phỏng và thực nghiệm

[1] JC idal, O Gross, R Gu, P Kollmeyer and A

Emadi, “xEV li-ion battery low-temperature

effects-review,” IEEE Transactions on Vehicular Technology,

vol 68, no 5, pp 4560–4572, 2019

[2] C Zhu, F Lu, H Zhang and C C Mi, “Robust

predictive battery thermal management strategy for

connected and automated hybrid electric vehicles based

on thermoelectric parameter uncertainty,” IEEE

Journal of Emerging and Selected Topics in Power

Electronics, vol 6, no 4, pp 1796–1805, 2018

[3] C Vidal, P Kollmeyer, E Chemali and A Emadi,

“Li-ion battery state of charge estimation using long

short-term memory recurrent neural network with

transfer learning,” in Proc of IEEE Transportation

Electrification Conf and Expo (ITEC), Detroit, MI,

USA, pp 1–6, 2019

[4] C She, L Zhang, Z Wang, F Sun, P Liu et al.,

“Battery state of health estimation based on incremental

capacity analysis method: Synthesizing from cell-level

test to real-world application,” IEEE Journal of

Emerging and Selected Topics in Power Electronics,

vol 10, no 1, pp 28–41, 2022

[5] S Guo, R Yang, W Shen, Y Liu and S Guo,

“DC-AC hybrid rapid heating method for lithium-ion

batteries at high state of charge operated from low

temperatures,” Energy, vol 238, no B, pp 121809,

2022

[6] A Samanta, S Chowdhuri and S S Williamson,

“Machine learning-based data-driven fault detection/di-

agnosis of lithium-ion battery: A critical review,”

Electronics, vol 10, no 11, pp 1309, 2021

[7] R Xiong, J Cao, Q Yu, H He and F Sun, “Critical

review on the battery state of charge estimation

methods for electric vehicles,” IEEE Access, vol 6, pp

1832–1843, 2018

[8] M Premkumar, M K Ramasamy, K

Kanagarathinam and R Sowmya, “SoC estimation and

monitoring of li-ion cell using kalman-filter algorithm,”

International Journal on Electrical Engineering and

Informatics, vol 6, no 4, pp 418–427, 2018

[9] E Chemali, P J Kollmeyer, M Preindl and A

Emadi, “State-of-charge estimation of li-ion batteries using deep neural networks: A machine learning

approach,” Journal of Power Sources, vol 400, no 5,

pp 242–255, 2018

[10] M Zhang and X Fan, “Review on the state of charge estimation methods for electric vehicle battery,”

World Electric Vehicle Journal, vol 11, no 1, pp 23,

2020

[11] Z Nan, L Hong, C Jing, C Zeyu and F Zhiyuan,

“A fusion-based method of state-of-charge online estimation for lithium-ion batteries under low-capacity

conditions,” Frontiers in Energy Research, vol 9, pp

790295, 2021

[12] D N T How, M A Hannan, M S H Lipu, K

S M Sahari, P J Ker et al., “State-of-charge

estimation of li-ion battery in electric vehicles: A deep

neural network approach,” in Proc of IEEE Industry

Applications Society Annual Meeting, MD, USA, pp 1–

8, 2019

[13] V Chandran, C K Patil, A Karthick, D

Ganeshaperumal, R Rahim et al., “State of charge

estimation of lithium-ion battery for electric vehicles

using machine learning algorithms,” World Electric

Vehicle Journal, vol 12, no 1, pp 38, 2021 [14] M A Hannan, M S H Lipu and A Hussain,

“Toward enhanced state of charge estimation of lithium-ion batteries using optimized machine learning

techniques,” Scientific Reports, vol 10, no 1, pp 4687,

2020

[15] Kollmeyer, Phillip, Carlos Vidal, Mina Naguib, and Michael Skells “LG 18650HG2 Li-Ion Battery Data and Example Deep Neural Network XEV SOC