論文の概要: Robust Data-Driven Error Compensation for a Battery Model
- arxiv url: http://arxiv.org/abs/2012.15686v1
- Date: Thu, 31 Dec 2020 16:11:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-17 17:03:24.643427
- Title: Robust Data-Driven Error Compensation for a Battery Model
- Title（参考訳）: バッテリモデルに対するロバストなデータ駆動エラー補償
- Authors: Philipp Gesner, Frank Kirschbaum, Richard Jakobi, Bernard B\"aker
- Abstract要約: 今日の大量のバッテリデータは、より正確で信頼性の高いシミュレーションにはまだ使われていません。
データ駆動型エラーモデルを導入し、既存の物理的動機付けモデルを強化します。
ニューラルネットワークは、既存の動的エラーを補償し、基礎となるデータの記述に基づいてさらに制限される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: - This work has been submitted to IFAC for possible publication - Models of
traction batteries are an essential tool throughout the development of
automotive drivetrains. Surprisingly, today's massively collected battery data
is not yet used for more accurate and reliable simulations. Primarily, the
non-uniform excitation during regular battery operations prevent a consequent
utilization of such measurements. Hence, there is a need for methods which
enable robust models based on large datasets. For that reason, a data-driven
error model is introduced enhancing an existing physically motivated model. A
neural network compensates the existing dynamic error and is further limited
based on a description of the underlying data. This paper tries to verify the
effectiveness and robustness of the general setup and additionally evaluates a
one-class support vector machine as the proposed model for the training data
distribution. Based on a five datasets it is shown, that gradually limiting the
data-driven error compensation outside the boundary leads to a similar
improvement and an increased overall robustness.
- Abstract（参考訳）: -この作業はIFACに提出され、自動車駆動車の開発を通じて、トラクションバッテリーのモデルが不可欠である。
驚くべきことに、現在の膨大なバッテリーデータは、より正確で信頼性の高いシミュレーションにはまだ使われていません。
主に、通常の電池操作中の非一様励起は、測定値の連続的利用を防止する。
したがって、大規模なデータセットに基づいた堅牢なモデルを可能にする方法が必要である。
そのため、既存の物理的動機付けモデルを拡張するデータ駆動型エラーモデルが導入される。
ニューラルネットワークは、既存の動的エラーを補償し、基礎となるデータの記述に基づいてさらに制限される。
本稿では, 一般設定の有効性とロバスト性を検証し, トレーニングデータ分布のモデルとして一級支援ベクトルマシンについても検討する。
5つのデータセットに基づいて、境界外のデータ駆動エラー補償を徐々に制限することで、同様の改善と全体的なロバスト性が向上することを示した。
関連論文リスト
- Is Model Collapse Inevitable? Breaking the Curse of Recursion by Accumulating Real and Synthetic Data [49.73114504515852]
各世代の合成データによって元の実データを置き換えることは、モデル崩壊の傾向にあることを示す。
生成した実データと連続する合成データの蓄積は,モデル崩壊を回避することを実証する。
論文 参考訳（メタデータ） (2024-04-01T18:31:24Z) - SubjectDrive: Scaling Generative Data in Autonomous Driving via Subject Control [59.20038082523832]
我々は、自動走行アプリケーションの改善を継続的に行う方法で、生成データ生産を拡大することが証明された最初のモデルであるSubjectDriveを提案する。
本研究では, 多様なデータを生成するために, 多様な外部データソースを活用可能な, 主観制御機構を備えた新しいモデルを開発する。
論文 参考訳（メタデータ） (2024-03-28T14:07:13Z) - Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。
最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。
我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文 参考訳（メタデータ） (2023-06-05T04:34:54Z) - On the contribution of pre-trained models to accuracy and utility in
modeling distributed energy resources [0.0]
本研究では,微調整の有無にかかわらず,事前学習モデルによる予測精度の向上を評価する。
事前学習されたモデルは異種エージェントに等しく改善するのだろうか。
論文 参考訳（メタデータ） (2023-02-22T22:29:40Z) - A Bayesian Generative Adversarial Network (GAN) to Generate Synthetic
Time-Series Data, Application in Combined Sewer Flow Prediction [3.3139597764446607]
機械学習では、生成モデル(generative model)は、データ分散を学習して人工データを生成する方法のクラスである。
本研究では,限られた時系列データのバランスをとるために,合成時系列を生成するGANモデルを開発した。
本研究の目的は, 降水量データを用いて流れを予測し, モデル性能における合成データを用いたデータ増大の影響を検討することである。
論文 参考訳（メタデータ） (2023-01-31T16:12:26Z) - A Robust Data-driven Process Modeling Applied to Time-series Stochastic
Power Flow [2.7356119162292654]
提案モデルでは, 電圧ファサードとインジェクションの時系列データをトレーニングし, 時系列の電力フロー計算を行う。
シミュレーションの結果,提案したロバストモデルではトレーニングデータセットの最大25%のアウトレーヤを処理可能であることがわかった。
論文 参考訳（メタデータ） (2023-01-06T18:55:44Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - In-flight Novelty Detection with Convolutional Neural Networks [0.0]
本稿では,予防的保守意思決定者の注意を喚起するために,システム出力の測定をリアルタイムに優先することを提案する。
本稿では,異常データのオンライン検出と優先順位付けのためのデータ駆動システムを提案する。
このシステムは低消費電力の組み込みハードウェアでリアルタイムに動作可能で、現在ロールス・ロイス・パール15のエンジン飛行試験に配備中である。
論文 参考訳（メタデータ） (2021-12-07T15:19:41Z) - 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) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳（メタデータ） (2021-06-04T18:03:31Z) - Space-Filling Subset Selection for an Electric Battery Model [0.0]
バッテリーの動作に関する実際の運転データは、システムの強く非均一な励起を表します。
アルゴリズムは、非線形モデルの入力空間をより均質に満たす動的データポイントを選択する。
このトレーニングデータの削減は、ランダムなサブセットと比較してモデル品質の向上と、すべてのデータポイントを用いたモデリングよりも高速なトレーニングにつながることが示されている。
論文 参考訳（メタデータ） (2020-12-07T09:12:56Z)
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。