論文の概要: Electric Vehicle Battery Remaining Charging Time Estimation Considering
Charging Accuracy and Charging Profile Prediction
- arxiv url: http://arxiv.org/abs/2012.05352v1
- Date: Wed, 9 Dec 2020 22:48:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 01:46:27.065077
- Title: Electric Vehicle Battery Remaining Charging Time Estimation Considering
Charging Accuracy and Charging Profile Prediction
- Title（参考訳）: 充電精度と充電プロファイル予測を考慮した電気自動車の残充電時間推定
- Authors: Junzhe Shi, Min Tian, Sangwoo Han, Tung-Yan Wu, Yifan Tang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.204918347869259
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electric vehicles (EVs) have been growing rapidly in popularity in recent
years and have become a future trend. It is an important aspect of user
experience to know the Remaining Charging Time (RCT) of an EV with confidence.
However, it is difficult to find an algorithm that accurately estimates the RCT
for vehicles in the current EV market. The maximum RCT estimation error of the
Tesla Model X can be as high as 60 minutes from a 10 % to 99 % state-of-charge
(SOC) while charging at direct current (DC). A highly accurate RCT estimation
algorithm for electric vehicles is in high demand and will continue to be as
EVs become more popular. There are currently two challenges to arriving at an
accurate RCT estimate. First, most commercial chargers cannot provide requested
charging currents during a constant current (CC) stage. Second, it is hard to
predict the charging current profile in a constant voltage (CV) stage. To
address the first issue, this study proposes an RCT algorithm that updates the
charging accuracy online in the CC stage by considering the confidence interval
between the historical charging accuracy and real-time charging accuracy data.
To solve the second issue, this study proposes a battery resistance prediction
model to predict charging current profiles in the CV stage, using a Radial
Basis Function (RBF) neural network (NN). The test results demonstrate that the
RCT algorithm proposed in this study achieves an error rate improvement of 73.6
% and 84.4 % over the traditional method in the CC and CV stages, respectively.
- Abstract（参考訳）: 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。
信頼性のあるevの残りの充電時間(rct)を知ることは、ユーザエクスペリエンスの重要な側面である。
しかし、現在のEV市場における車両のRCTを正確に推定するアルゴリズムを見つけることは困難である。
Tesla Model Xの最大RDT推定誤差は、直流(DC)を充電しながら、10%から99パーセントの充電(SOC)まで60分まで最大となる。
電気自動車の高精度なRTT推定アルゴリズムは需要が高く、EVがより普及するにつれて、今後も続くだろう。
現在、正確なRCT推定に到達するには2つの課題がある。
まず、ほとんどの商用充電器は、一定の電流(CC)の段階で要求される充電電流を供給できない。
第2に、定電圧(cv)段階における帯電電流プロファイルの予測が困難である。
そこで本研究では,過去の充電精度とリアルタイム充電精度データとの信頼区間を考慮し,ccステージにおける充電精度をオンラインに更新するrctアルゴリズムを提案する。
第2の問題を解決するために,ラジアル基底関数(rbf)ニューラルネットワーク(nn)を用いて,cvステージにおける充電電流プロファイルを予測するためのバッテリ抵抗予測モデルを提案する。
実験の結果,本研究で提案するrctアルゴリズムは,ccおよびcvの従来手法と比較して,73.6 %,84.4 %の誤差率向上を達成した。
関連論文リスト
- Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
CANデータからトラックの積載量の検出について検討する。
私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。
我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
論文 参考訳（メタデータ） (2024-04-08T17:58:22Z) - Divide-Conquer Transformer Learning for Predicting Electric Vehicle Charging Events Using Smart Meter Data [4.820576346277399]
過去のスマートメーターデータを用いた家庭用充電予測手法を開発した。
我々は様々な予測時間で96.81%以上の精度を一貫して達成している。
論文 参考訳（メタデータ） (2024-03-20T02:17:16Z) - 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 Machine Learning-based Digital Twin for Electric Vehicle Battery
Modeling [10.290868910435153]
電気自動車(EV)は、経年劣化と性能劣化の影響を受ける。
本研究は,実行時のバッテリダイナミックスを正確に反映するように設計されたバッテリディジタルツイン構造を提案する。
論文 参考訳（メタデータ） (2022-06-16T10:47:41Z) - A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。
本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
論文 参考訳（メタデータ） (2022-05-20T22:13:25Z) - VSAC: Efficient and Accurate Estimator for H and F [68.65610177368617]
VSACはRANSAC型頑健な推定器であり、多くの新奇性がある。
従来のすべてのプロセッサよりも大幅に高速で、CPU上では平均1-2msで動作する。
現在最も正確な2次元幾何学推定器である MAGSAC++ と同等の精度で2桁高速である。
論文 参考訳（メタデータ） (2021-06-18T17:04:57Z) - 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) - 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) - A Temporal Convolution Network Approach to State-of-Charge Estimation in
Li-ion Batteries [0.0]
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。
論文 参考訳（メタデータ） (2020-11-19T11:27:15Z) - 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)
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。