論文の概要: Estimating State of Charge for xEV batteries using 1D Convolutional Neural Networks and Transfer Learning

• arxiv url: http://arxiv.org/abs/2011.00841v2
• Date: Sat, 23 Jan 2021 10:59:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 13:10:11.291396
• Title: Estimating State of Charge for xEV batteries using 1D Convolutional Neural Networks and Transfer Learning
• Title（参考訳）: 1次元畳み込みニューラルネットワークと伝達学習を用いたxEV電池の電荷状態の推定
• Authors: Arnab Bhattacharjee, Ashu Verma, Sukumar Mishra, Tapan K Saha
• Abstract要約: 電気自動車における1次元畳み込みニューラルネットワーク(CNN)に基づく電荷推定アルゴリズムを提案する。 異なる種類の雑音がCNNモデルの推定能力に与える影響について検討した。 提案手法は,推定精度,学習速度,一般化能力の点で良好である。
• 参考スコア（独自算出の注目度）: 0.4129225533930966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we propose a one-dimensional convolutional neural network (CNN)-based state of charge estimation algorithm for electric vehicles. The CNN is trained using two publicly available battery datasets. The influence of different types of noises on the estimation capabilities of the CNN model has been studied. Moreover, a transfer learning mechanism is proposed in order to make the developed algorithm generalize better and estimate with an acceptable accuracy when a battery with different chemical characteristics than the one used for training the model, is used. It has been observed that using transfer learning, the model can learn sufficiently well with significantly less amount of battery data. The proposed method fares well in terms of estimation accuracy, learning speed and generalization capability.
• Abstract（参考訳）: 本稿では,電気自動車における1次元畳み込みニューラルネットワーク(CNN)に基づく電荷推定アルゴリズムを提案する。 CNNは2つのパブリックなバッテリデータセットを使用してトレーニングされている。 異なる種類の雑音がCNNモデルの推定能力に与える影響について検討した。 さらに, モデル訓練用と異なる化学特性の電池を用いた場合, 改良したアルゴリズムを一般化し, 許容精度で推定するために, 転送学習機構を提案する。 転送学習を用いることで,モデルが十分に学習でき,バッテリデータの量を大幅に削減できることがわかった。 提案手法は,推定精度,学習速度,一般化能力の点で良好である。

関連論文リスト

• Forecasting Lithium-Ion Battery Longevity with Limited Data Availability: Benchmarking Different Machine Learning Algorithms [3.4628430044380973]
  この研究は、従来の機械学習とディープラーニングの両方で、さまざまな機械学習アルゴリズムの相対的なパフォーマンスを比較することを目的としている。 統計的データに基づいて手工芸品を投入した14種類の機械学習モデルについて検討した。 深層学習モデルは、特に生の限られたデータに対して不適切な性能を示すことが観察された。
  論文  参考訳（メタデータ） (2023-12-10T00:51:50Z)
• Mobile Traffic Prediction at the Edge through Distributed and Transfer Learning [2.687861184973893]
  このトピックの研究は、異なるネットワーク要素からデータを収集することによって、中央集権的な予測を行うことに集中している。 本研究では,エッジ上で得られたデータセットを大規模計測キャンペーンで活用するエッジコンピューティングに基づく新しい予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-22T23:48:13Z)
• Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
  本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。 関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
  論文  参考訳（メタデータ） (2023-08-22T03:13:57Z)
• Transfer learning for atomistic simulations using GNNs and kernel mean embeddings [24.560340485988128]
  本稿では, グラフニューラルネットワーク(GNN)を用いて, カーネル平均埋め込みとともに, 化学環境を表現するトランスファー学習アルゴリズムを提案する。 我々は,複雑性を増大させる一連の現実的なデータセットに対して,我々のアプローチを検証し,優れた一般化と伝達可能性性能を示す。
  論文  参考訳（メタデータ） (2023-06-02T14:58:16Z)
• Predictive Modeling of Charge Levels for Battery Electric Vehicles using CNN EfficientNet and IGTD Algorithm [1.700438015014627]
  畳み込みニューラルネットワーク(CNN)は、膨大な画像データセットを理解するための優れたソリューションです。 私たちは、データセットを分析して、料金の状態と、どの料金レベルを選択するかを理解するために、ディープラーニングアプローチを実装しました。 EfficientNetのような他のCNNアーキテクチャを統合し、CNNが画像から情報を読むための優れた学習者であることを証明した。
  論文  参考訳（メタデータ） (2022-06-07T22:56:40Z)
• Classification of EEG Motor Imagery Using Deep Learning for Brain-Computer Interface Systems [79.58173794910631]
  トレーニングされたT1クラス畳み込みニューラルネットワーク(CNN)モデルを使用して、運動画像の識別を成功させる能力を調べる。 理論的には、モデルが正確にトレーニングされた場合、クラスを特定し、それに従ってラベル付けすることが可能になる。 CNNモデルは復元され、より小さなサンプルデータを使用して同じ種類の運動画像データを特定するために使用される。
  論文  参考訳（メタデータ） (2022-05-31T17:09:46Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
  オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。 出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
  論文  参考訳（メタデータ） (2021-08-26T14:01:04Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Multistep Electric Vehicle Charging Station Occupancy Prediction using Mixed LSTM Neural Networks [1.3706331473063877]
  本稿では,従来の帯電状態列と時間的特徴を併用した長期記憶ニューラルネットを提案する。 このモデルは、イギリスのダンディーのオープンデータポータルから得られたEV充電データに基づいて、最先端の機械学習とディープラーニングのアプローチと比較される。 その結果,提案手法は1ステップ(10分)で99.99%,81.87%の精度で1ステップ(10分)先進6ステップ(1時間)の精度で予測し,ベンチマーク手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-06-09T11:10:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。