Klaim Artikel Anda
Verifikasi kepemilikan artikel akademik
Apakah artikel-artikel ini milik Anda?
Daftarkan diri Anda sebagai author untuk mengklaim artikel dan dapatkan profil akademik terverifikasi dengan fitur lengkap.
Badge Verifikasi
Profil terverifikasi resmi
Statistik Lengkap
H-index, sitasi, dan metrik
Visibilitas Tinggi
Tampil di direktori author
Kelola Publikasi
Dashboard artikel terpadu
Langkah-langkah Klaim Artikel:
- 1. Daftar akun author dengan email akademik Anda
- 2. Verifikasi email dan lengkapi profil
- 3. Login dan buka menu "Klaim Artikel"
- 4. Cari dan klaim artikel Anda
- 5. Tunggu verifikasi dari admin (1-3 hari kerja)
Menampilkan 1–1 dari 1 artikel
Hybrid XGBoost-LSTM Framework for Accurate SOC, SOH, DOD and Internal Resistance Estimation in Li-ion Cells
Putra Pralano, Axel
; Florence Gnana Poovathy John
; Rifki Hermana
Accurate estimation of State of Charge (SOC), State of Health (SOH), Depth of Discharge (DOD), and internal resistance is critical for Battery Management Systems (BMS) in electric vehicles and energy storage. Conventional methods fail to capture the nonlinear and temporal dynamics of lithium-ion cells, while existing machine learning approaches lack systematic benchmarking for embedded deployment. This study evaluates three hybrid models XGBoost-LSTM, XGBoost-SVR, and Linear Regression-Random Fo...
Google Scholar
DOI