論文の概要: Analysis of NARXNN for State of Charge Estimation for Li-ion Batteries on various Drive Cycles

• arxiv url: http://arxiv.org/abs/2012.10725v1
• Date: Sat, 19 Dec 2020 16:11:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 13:41:53.418992
• Title: Analysis of NARXNN for State of Charge Estimation for Li-ion Batteries on various Drive Cycles
• Title（参考訳）: 各種駆動サイクルにおけるリチウムイオン電池の電荷推定のためのNARXNNの解析
• Authors: Aniruddh Herle, Janamejaya Channegowda, Kali Naraharisetti
• Abstract要約: 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。
• 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 Vehicles (EVs) are rapidly increasing in popularity as they are environment friendly. Lithium Ion batteries are at the heart of EV technology and contribute to most of the weight and cost of an EV. State of Charge (SOC) is a very important metric which helps to predict the range of an EV. There is a need to accurately estimate available battery capacity in a battery pack such that the available range in a vehicle can be determined. There are various techniques available to estimate SOC. In this paper, a data driven approach is selected and a Nonlinear Autoregressive Network with Exogenous Inputs Neural Network (NARXNN) is explored to accurately estimate SOC. NARXNN has been shown to be superior to conventional Machine Learning techniques available in the literature. The NARXNN model is developed and tested on various EV Drive Cycles like LA92, US06, UDDS and HWFET to test its performance on real world scenarios. The model is shown to outperform conventional statistical machine learning methods and achieve a Mean Squared Error (MSE) in the 1e-5 range.
• Abstract（参考訳）: 電気自動車(EV)は環境に優しいため、急速に普及している。 リチウムイオン電池はEV技術の中心であり、EVの重量とコストの大部分に貢献している。 充電状態(soc)はevの範囲を予測するのに役立つ非常に重要な指標である。 車両の利用可能な範囲が決定できるように、バッテリパックで利用可能なバッテリ容量を正確に推定する必要がある。 SOCを推定する技術は様々である。 本稿では,データ駆動アプローチを選択し,外部入出力ニューラルネットワーク(narxnn)を用いた非線形自己回帰ネットワークを用いてsocを正確に推定する。 NARXNNは、文献で利用可能な従来の機械学習技術よりも優れていることが示されている。 NARXNNモデルは、LA92、US06、UDDS、HWFETといった様々なEVドライブサイクル上で開発、テストされ、実世界のシナリオでそのパフォーマンスをテストする。 このモデルは,従来の統計的機械学習手法より優れ,平均正方形誤差(MSE)を1e-5の範囲で達成する。

関連論文リスト

• Coherent Hierarchical Probabilistic Forecasting of Electric Vehicle Charging Demand [3.7690784039257292]
  本稿では,複数の電気自動車充電ステーション(EVCS)の階層的確率的予測問題について検討する。 各充電ステーションに対して、部分入力凸ニューラルネットワーク(PICNN)に基づくディープラーニングモデルを訓練し、日頭充電需要の条件分布を予測する。 微分凸最適化層(DCL)は、分布からサンプリングされたシナリオを再構成し、一貫性のあるシナリオを生成する。
  論文  参考訳（メタデータ） (2024-11-01T03:35:04Z)
• 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)
• 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)
• An Energy Consumption Model for Electrical Vehicle Networks via Extended Federated-learning [50.85048976506701]
  本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。 バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
  論文  参考訳（メタデータ） (2021-11-13T15:03:44Z)
• Overcoming limited battery data challenges: A coupled neural network approach [0.0]
  深層ニューラルネットワークを用いた時系列バッテリデータ拡張手法を提案する。 あるモデルはバッテリ充電プロファイルを生成し、別のモデルはバッテリ放電プロファイルを生成する。 その結果,バッテリーデータに制限がある場合の問題点を解消するために,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-10-05T16:17:19Z)
• 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)
• 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)
• Estimating State of Charge for xEV batteries using 1D Convolutional Neural Networks and Transfer Learning [0.4129225533930966]
  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。
  論文  参考訳（メタデータ） (2020-11-02T09:27:03Z)
• 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。