हाइपरनेटवर्क-आधारित पैरामीटरित भौतिकी-सूचित न्यूरल नेटवर्क्स के माध्यम से मजबूत बैटरी SOC अनुमान

सटीक स्टेट-ऑफ-चार्ज (SOC) अनुमान बैटरी प्रबंधन प्रणालियों (BMS) के लिए आवश्यक है। हालांकि, पारंपरिक तरीकों को पैरामीटर निर्भरता की चुनौतियों का सामना करना पड़ता है या अपरिचित संचालन स्थितियों के तहत स्थिरता के साथ संघर्ष करना पड़ता है। यह पेपर एक नवीन हाइब्रिड फ्रेमवर्क प्रस्तावित करता है जो इलेक्ट्रोकेमिकल प्रतिबंधों द्वारा नियंत्रित पैरामीटरित भौतिकी-सूचित न्यूरल नेटवर्क्स (PPINN) के साथ कालानुक्रमिक अनुक्रम सीखने को एकीकृत करता है। इस संरचना में एक हाइपरनेटवर्क शामिल है जो प्रारंभिक SOC मानों द्वारा लक्षणीकृत गतिशील भार उत्पन्न करता है, जिससे विभिन्न संचालन स्थितियों में अनुकूली सीखने की अनुमति मिलती है। यह मॉडल को भौतिकी-आधारित ज्ञान और डेटा-प्रधान मॉडलिंग को मिलाकर सामान्यीकृत समाधान क्षेत्र सीखने देता है, जिससे बार-बार प्रशिक्षण की आवश्यकता से बचा जा सकता है। विभिन्न तापमानों और ड्राइविंग चक्रों पर किया गया प्रायोगिक सत्यापन उच्च सटीकता के साथ सामान्यीकरण क्षमता और मजबूती हासिल करता है, जो श्रेष्ठ प्रदर्शन दिखाता है।