STATE OF HEALTH (SOH) ESTIMATION FOR EMBEDDED BATTERY MANAGEMENT SYSTEMS: A COMPARATIVE ANALYSIS OF COMPUTATIONALLY EFFICIENT METHODS
Accurate State of Health (SOH) estimation is critically important for the safe and long-term operation of lithium-ion batteries. However, the implementation of estimation algorithms in embedded Battery Management Systems (BMS) is significantly limited by available computational resources. This paper...
Збережено в:
| Дата: | 2026 |
|---|---|
| Автори: | , , , , |
| Формат: | Стаття |
| Мова: | Англійська |
| Опубліковано: |
Institute of Renewable Energy National Academy of Sciences of Ukraine
2026
|
| Теми: | |
| Онлайн доступ: | https://ve.org.ua/index.php/journal/article/view/599 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Vidnovluvana energetika |
Репозитарії
Vidnovluvana energetika| _version_ | 1861137262413086720 |
|---|---|
| author | Sorochynskyi , Ya. Bosak , Al. Dubovyk , V. Kulakovskyi , L. Bosak , An. |
| author_facet | Sorochynskyi , Ya. Bosak , Al. Dubovyk , V. Kulakovskyi , L. Bosak , An. |
| author_sort | Sorochynskyi , Ya. |
| baseUrl_str | https://ve.org.ua/index.php/journal/oai |
| collection | OJS |
| datestamp_date | 2026-03-30T21:07:05Z |
| description | Accurate State of Health (SOH) estimation is critically important for the safe and long-term operation of lithium-ion batteries. However, the implementation of estimation algorithms in embedded Battery Management Systems (BMS) is significantly limited by available computational resources. This paper presents a scientifically grounded comparative analysis of two computationally efficient machine learning methods – Support Vector Regression (SVR) and Random Forest – to determine the optimal algorithm for practical implementation, with a dual focus on prediction accuracy and computational efficiency. Based on an open dataset, systematic hyperparameter tuning with GridSearchCV and cross-validation was conducted for both models. The performance of the final, optimized models was evaluated by accuracy metrics (RMSE, MAE) and indicators of suitability for embedded systems (forecasting time, model size). The results showed that even after thorough optimization, the SVR model demonstrated higher prediction accuracy (RMSE 2.67% vs. 3.08% for Random Forest). An even more significant advantage was found in the efficiency analysis: SVR was found to be almost 170 times faster (forecast time of 0.119 ms vs 20.570 ms) and 200 times more compact (model size 8.6 kB vs 1718.6 kB). It is concluded that, for the problem of estimating SOH based on cyclic data, the SVR model is the optimal candidate for practical implementation in embedded BMS. It offers the best balance of high accuracy and minimal hardware resource requirements, outperforming Random Forest across all key criteria for engineering practice. |
| doi_str_mv | 10.36296/1819-8058.2026.1(84).109-115 |
| first_indexed | 2026-03-31T01:00:06Z |
| format | Article |
| id | veorgua-article-599 |
| institution | Vidnovluvana energetika |
| keywords_txt_mv | keywords |
| language | English |
| last_indexed | 2026-03-31T01:00:06Z |
| publishDate | 2026 |
| publisher | Institute of Renewable Energy National Academy of Sciences of Ukraine |
| record_format | ojs |
| spelling | veorgua-article-5992026-03-30T21:07:05Z STATE OF HEALTH (SOH) ESTIMATION FOR EMBEDDED BATTERY MANAGEMENT SYSTEMS: A COMPARATIVE ANALYSIS OF COMPUTATIONALLY EFFICIENT METHODS ОЦІНКА СТАНУ ПРАЦЕЗДАТНОСТІ (SOH) ДЛЯ ВБУДОВАНИХ СИСТЕМ КЕРУВАННЯ БАТАРЕЯМИ: ПОРІВНЯЛЬНИЙ АНАЛІЗ ОБЧИСЛЮВАЛЬНО ЕФЕКТИВНИХ МЕТОДІВ Sorochynskyi , Ya. Bosak , Al. Dubovyk , V. Kulakovskyi , L. Bosak , An. Keywords: State of Health, SOH, battery management system, BMS, Battery Energy Storage Systems (BESS), renewable energy, distributed generation, microgrids, lithium-ion batteries, machine learning, embedded systems, Support Vector Regression, Random Forest, computational efficiency. стан працездатності, SOH, система керування батареями, BMS, системи накопичення енергії, відновлювана енергетика, розподілена генерація, мікромережі, літій-іонні акумулятори, машинне навчання, вбудовані системи, метод опорних векторів, випадковий ліс, обчислювальна ефективність. Accurate State of Health (SOH) estimation is critically important for the safe and long-term operation of lithium-ion batteries. However, the implementation of estimation algorithms in embedded Battery Management Systems (BMS) is significantly limited by available computational resources. This paper presents a scientifically grounded comparative analysis of two computationally efficient machine learning methods – Support Vector Regression (SVR) and Random Forest – to determine the optimal algorithm for practical implementation, with a dual focus on prediction accuracy and computational efficiency. Based on an open dataset, systematic hyperparameter tuning with GridSearchCV and cross-validation was conducted for both models. The performance of the final, optimized models was evaluated by accuracy metrics (RMSE, MAE) and indicators of suitability for embedded systems (forecasting time, model size). The results showed that even after thorough optimization, the SVR model demonstrated higher prediction accuracy (RMSE 2.67% vs. 3.08% for Random Forest). An even more significant advantage was found in the efficiency analysis: SVR was found to be almost 170 times faster (forecast time of 0.119 ms vs 20.570 ms) and 200 times more compact (model size 8.6 kB vs 1718.6 kB). It is concluded that, for the problem of estimating SOH based on cyclic data, the SVR model is the optimal candidate for practical implementation in embedded BMS. It offers the best balance of high accuracy and minimal hardware resource requirements, outperforming Random Forest across all key criteria for engineering practice. Точна оцінка стану працездатності (State of Health, SOH) є критично важливою для безпечної та довговічної експлуатації літій-іонних акумуляторів. Однак реалізація алгоритмів оцінки у вбудованих системах керування батареями (BMS) суттєво обмежується доступними обчислювальними ресурсами. В роботі проведено науково обґрунтований порівняльний аналіз двох обчислювально ефективних методів машинного навчання – методу опорних векторів для регресії (SVR) та випадкового лісу – а  для визначення оптимального алгоритму для практичної реалізації з подвійним фокусом на точності прогнозування та обчислювальній ефективності. На основі відкритого набору даних, для обох моделей було проведено систематичний підбір гіперпараметрів за допомогою GridSearchCV з перехресною валідацією. Ефективність фінальних, оптимізованих моделей оцінювалася за метриками точності (RMSE, MAE) та показниками придатності для вбудованих систем (час прогнозування, розмір моделі). Результати показали, що навіть після ретельної оптимізації модель SVR продемонструвала вищу точність прогнозування (RMSE 2.67% проти 3.08% у Випадковий Ліс). Ще більш значуща перевага була виявлена в аналізі ефективності: SVR виявився майже у 170 разів швидшим (час прогнозу 0.119 мс проти 20.570 мс) та у 200 разів компактнішим (розмір моделі 8.6 кБ проти 1718.6 кБ). Зроблено висновок, що для задачі оцінки SOH на основі циклічних даних модель SVR є оптимальним кандидатом для практичної реалізації у вбудованих BMS. Вона забезпечує найкращий баланс високої точності та мінімальних вимог до апаратних ресурсів, перевершуючи Випадковий Ліс за всіма ключовими для інженерної практики критеріями. Institute of Renewable Energy National Academy of Sciences of Ukraine 2026-03-28 Article Article application/pdf https://ve.org.ua/index.php/journal/article/view/599 10.36296/1819-8058.2026.1(84).109-115 Возобновляемая энергетика; № 1(84) (2026): Scientific and applied Journal renewable energy ; 109-115 Відновлювана енергетика; № 1(84) (2026): Науково-прикладний журнал Відновлювана енергетика; 109-115 Vidnovluvana energetika ; No. 1(84) (2026): Scientific and applied Journal renewable energy ; 109-115 2664-8172 1819-8058 10.36296/1819-8058.2026.1(84) en https://ve.org.ua/index.php/journal/article/view/599/510 Copyright (c) 2026 Vidnovluvana energetika |
| spellingShingle | Keywords: State of Health SOH battery management system BMS Battery Energy Storage Systems (BESS) renewable energy distributed generation microgrids lithium-ion batteries machine learning embedded systems Support Vector Regression Random Forest computational efficiency. Sorochynskyi , Ya. Bosak , Al. Dubovyk , V. Kulakovskyi , L. Bosak , An. STATE OF HEALTH (SOH) ESTIMATION FOR EMBEDDED BATTERY MANAGEMENT SYSTEMS: A COMPARATIVE ANALYSIS OF COMPUTATIONALLY EFFICIENT METHODS |
| title | STATE OF HEALTH (SOH) ESTIMATION FOR EMBEDDED BATTERY MANAGEMENT SYSTEMS: A COMPARATIVE ANALYSIS OF COMPUTATIONALLY EFFICIENT METHODS |
| title_alt | ОЦІНКА СТАНУ ПРАЦЕЗДАТНОСТІ (SOH) ДЛЯ ВБУДОВАНИХ СИСТЕМ КЕРУВАННЯ БАТАРЕЯМИ: ПОРІВНЯЛЬНИЙ АНАЛІЗ ОБЧИСЛЮВАЛЬНО ЕФЕКТИВНИХ МЕТОДІВ |
| title_full | STATE OF HEALTH (SOH) ESTIMATION FOR EMBEDDED BATTERY MANAGEMENT SYSTEMS: A COMPARATIVE ANALYSIS OF COMPUTATIONALLY EFFICIENT METHODS |
| title_fullStr | STATE OF HEALTH (SOH) ESTIMATION FOR EMBEDDED BATTERY MANAGEMENT SYSTEMS: A COMPARATIVE ANALYSIS OF COMPUTATIONALLY EFFICIENT METHODS |
| title_full_unstemmed | STATE OF HEALTH (SOH) ESTIMATION FOR EMBEDDED BATTERY MANAGEMENT SYSTEMS: A COMPARATIVE ANALYSIS OF COMPUTATIONALLY EFFICIENT METHODS |
| title_short | STATE OF HEALTH (SOH) ESTIMATION FOR EMBEDDED BATTERY MANAGEMENT SYSTEMS: A COMPARATIVE ANALYSIS OF COMPUTATIONALLY EFFICIENT METHODS |
| title_sort | state of health (soh) estimation for embedded battery management systems: a comparative analysis of computationally efficient methods |
| topic | Keywords: State of Health SOH battery management system BMS Battery Energy Storage Systems (BESS) renewable energy distributed generation microgrids lithium-ion batteries machine learning embedded systems Support Vector Regression Random Forest computational efficiency. |
| topic_facet | Keywords: State of Health SOH battery management system BMS Battery Energy Storage Systems (BESS) renewable energy distributed generation microgrids lithium-ion batteries machine learning embedded systems Support Vector Regression Random Forest computational efficiency. стан працездатності SOH система керування батареями BMS системи накопичення енергії відновлювана енергетика розподілена генерація мікромережі літій-іонні акумулятори машинне навчання вбудовані системи метод опорних векторів випадковий ліс обчислювальна ефективність. |
| url | https://ve.org.ua/index.php/journal/article/view/599 |
| work_keys_str_mv | AT sorochynskyiya stateofhealthsohestimationforembeddedbatterymanagementsystemsacomparativeanalysisofcomputationallyefficientmethods AT bosakal stateofhealthsohestimationforembeddedbatterymanagementsystemsacomparativeanalysisofcomputationallyefficientmethods AT dubovykv stateofhealthsohestimationforembeddedbatterymanagementsystemsacomparativeanalysisofcomputationallyefficientmethods AT kulakovskyil stateofhealthsohestimationforembeddedbatterymanagementsystemsacomparativeanalysisofcomputationallyefficientmethods AT bosakan stateofhealthsohestimationforembeddedbatterymanagementsystemsacomparativeanalysisofcomputationallyefficientmethods AT sorochynskyiya ocínkastanupracezdatnostísohdlâvbudovanihsistemkeruvannâbatareâmiporívnâlʹnijanalízobčislûvalʹnoefektivnihmetodív AT bosakal ocínkastanupracezdatnostísohdlâvbudovanihsistemkeruvannâbatareâmiporívnâlʹnijanalízobčislûvalʹnoefektivnihmetodív AT dubovykv ocínkastanupracezdatnostísohdlâvbudovanihsistemkeruvannâbatareâmiporívnâlʹnijanalízobčislûvalʹnoefektivnihmetodív AT kulakovskyil ocínkastanupracezdatnostísohdlâvbudovanihsistemkeruvannâbatareâmiporívnâlʹnijanalízobčislûvalʹnoefektivnihmetodív AT bosakan ocínkastanupracezdatnostísohdlâvbudovanihsistemkeruvannâbatareâmiporívnâlʹnijanalízobčislûvalʹnoefektivnihmetodív |