論文の概要: A Temporal Convolution Network Approach to State-of-Charge Estimation in
Li-ion Batteries
- arxiv url: http://arxiv.org/abs/2011.09775v1
- Date: Thu, 19 Nov 2020 11:27:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 21:53:53.180549
- Title: A Temporal Convolution Network Approach to State-of-Charge Estimation in
Li-ion Batteries
- Title（参考訳）: リチウムイオン電池の電流状態推定のための時間畳み込みネットワークアプローチ
- Authors: Aniruddh Herle, Janamejaya Channegowda, Dinakar Prabhu
- Abstract要約: State of Charge (SOC) は、利用可能なバッテリー容量と総容量の比率であり、パーセンテージで表される。
SOCを正確に推定し、EVで使用中に利用可能な範囲を決定することが重要である。
時間的畳み込みネットワーク (TCN) を用いてSOCを推定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electric Vehicle (EV) fleets have dramatically expanded over the past several
years. There has been significant increase in interest to electrify all modes
of transportation. EVs are primarily powered by Energy Storage Systems such as
Lithium-ion Battery packs. Total battery pack capacity translates to the
available range in an EV. State of Charge (SOC) is the ratio of available
battery capacity to total capacity and is expressed in percentages. It is
crucial to accurately estimate SOC to determine the available range in an EV
while it is in use. In this paper, a Temporal Convolution Network (TCN)
approach is taken to estimate SOC. This is the first implementation of TCNs for
the SOC estimation task. Estimation is carried out on various drive cycles such
as HWFET, LA92, UDDS and US06 drive cycles at 1 C and 25 {\deg}Celsius. It was
found that TCN architecture achieved an accuracy of 99.1%.
- Abstract（参考訳）: 電気自動車(EV)はここ数年で劇的に拡大している。
すべての交通手段を電化することへの関心が大幅に高まっている。
EVは主にリチウムイオン電池パックのようなエネルギー貯蔵システムによって駆動される。
バッテリーパックの総容量はEVで利用可能な範囲に換算する。
State of Charge (SOC) は、利用可能なバッテリー容量と総容量の比率であり、パーセンテージで表される。
SOCを正確に推定し、EVで使用中に利用可能な範囲を決定することが重要である。
本稿では,時間的畳み込みネットワーク(TCN)を用いてSOCを推定する。
これはSOC推定タスクのためのTCNの最初の実装である。
HWFET, LA92, UDDS, US06などの様々なドライブサイクルで, 1 C および 25 {\deg}Celsius で推定を行う。
TCNアーキテクチャは99.1%の精度を達成した。
関連論文リスト
- Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。
我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
論文 参考訳（メタデータ） (2024-06-06T09:12:30Z) - U-BEV: Height-aware Bird's-Eye-View Segmentation and Neural Map-based Relocalization [81.76044207714637]
GPS受信が不十分な場合やセンサベースのローカライゼーションが失敗する場合、インテリジェントな車両には再ローカライゼーションが不可欠である。
Bird's-Eye-View (BEV)セグメンテーションの最近の進歩は、局所的な景観の正確な推定を可能にする。
本稿では,U-NetにインスパイアされたアーキテクチャであるU-BEVについて述べる。
論文 参考訳（メタデータ） (2023-10-20T18:57:38Z) - Charge Manipulation Attacks Against Smart Electric Vehicle Charging Stations and Deep Learning-based Detection Mechanisms [49.37592437398933]
電気自動車充電ステーション(EVCS)は、グリーントランスポートの実現に向けた重要なステップとなる。
我々は、攻撃者がスマート充電操作中に交換された情報を操作しているEV充電に対する充電操作攻撃(CMA)を調査した。
本稿では,EV充電に関わるパラメータを監視してCMAを検出する,教師なしのディープラーニングに基づくメカニズムを提案する。
論文 参考訳（メタデータ） (2023-10-18T18:38:59Z) - A Novel SOC Estimation for Hybrid Energy Pack using Deep Learning [0.0]
本稿では,リチウムイオン電池・スーパーキャパシタHESS EVの深層学習に基づくSOC推定手法を提案する。
提案手法により,SOC推定精度は平均91.5%向上し,誤差値は0.1%以下となった。
論文 参考訳（メタデータ） (2022-12-23T22:48:22Z) - Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。
本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。
GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
論文 参考訳（メタデータ） (2022-07-21T23:02:35Z) - A Reinforcement Learning Approach for Electric Vehicle Routing Problem
with Vehicle-to-Grid Supply [2.6066825041242367]
EVルーティングに強化学習(RL)を用いたQuikRouteFinderを提案する。
RLの結果は混合整数線形プログラム(MILP)と遺伝的アルゴリズム(GA)のメタヒューリスティックスに基づく正確な定式化と比較される。
論文 参考訳（メタデータ） (2022-04-12T06:13:06Z) - Analysis of NARXNN for State of Charge Estimation for Li-ion Batteries
on various Drive Cycles [0.0]
State of Charge(SOC)は、EVの範囲を予測するのに役立つメトリクスです。
データ駆動アプローチを選択し、外部入力ニューラルネットワーク(NARXNN)を備えた自動回帰ネットワークを探索し、SOCを正確に推定します。
モデルは従来の統計的機械学習手法より優れており、1e-5の範囲で平均二乗誤差(MSE)を達成する。
論文 参考訳（メタデータ） (2020-12-19T16:11:13Z) - Electric Vehicle Battery Remaining Charging Time Estimation Considering
Charging Accuracy and Charging Profile Prediction [2.204918347869259]
近年、電気自動車(ev)の人気が急速に高まり、将来的なトレンドとなっている。
EVの残存充電時間(RCT)を自信を持って正確に推定するアルゴリズムを見つけることは困難です。
本研究では、過去の充電精度とリアルタイム充電精度データの信頼区間を考慮して、CCステージの充電精度をオンラインで更新するRCTアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-09T22:48:43Z) - State-of-Charge Estimation of a Li-Ion Battery using Deep Forward Neural
Networks [68.8204255655161]
リチウムイオン電池のためのDeep Forward Networkを構築し,その性能評価を行った。
本研究の貢献はリチウムイオン電池用ディープフォワードネットワークの構築手法とその性能評価である。
論文 参考訳（メタデータ） (2020-09-20T23:47:11Z) - Universal Battery Performance and Degradation Model for Electric
Aircraft [52.77024349608834]
電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。
我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。
このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
論文 参考訳（メタデータ） (2020-07-06T16:10:54Z)
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。