論文の概要: Machine learning pipeline for battery state of health estimation
- arxiv url: http://arxiv.org/abs/2102.00837v1
- Date: Mon, 1 Feb 2021 13:50:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 11:26:17.131628
- Title: Machine learning pipeline for battery state of health estimation
- Title（参考訳）: バッテリーの健康状態推定のための機械学習パイプライン
- Authors: Darius Roman, Saurabh Saxena, Valentin Robu, Michael Pecht and David
Flynn
- Abstract要約: 我々は,バッテリ容量のフェードを推定するための機械学習パイプラインの設計と評価を行う。
パイプラインは、2つのパラメトリックおよび2つの非パラメトリックアルゴリズムを用いて、関連する信頼区間で電池SOHを推定する。
高速充電プロトコルの下で動作しているセルにデプロイすると、最良のモデルでは、ルート平均2乗誤差が0.45%に達する。
- 参考スコア（独自算出の注目度）: 3.0238880199349834
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lithium-ion batteries are ubiquitous in modern day applications ranging from
portable electronics to electric vehicles. Irrespective of the application,
reliable real-time estimation of battery state of health (SOH) by on-board
computers is crucial to the safe operation of the battery, ultimately
safeguarding asset integrity. In this paper, we design and evaluate a machine
learning pipeline for estimation of battery capacity fade - a metric of battery
health - on 179 cells cycled under various conditions. The pipeline estimates
battery SOH with an associated confidence interval by using two parametric and
two non-parametric algorithms. Using segments of charge voltage and current
curves, the pipeline engineers 30 features, performs automatic feature
selection and calibrates the algorithms. When deployed on cells operated under
the fast-charging protocol, the best model achieves a root mean squared percent
error of 0.45\%. This work provides insights into the design of scalable
data-driven models for battery SOH estimation, emphasising the value of
confidence bounds around the prediction. The pipeline methodology combines
experimental data with machine learning modelling and can be generalized to
other critical components that require real-time estimation of SOH.
- Abstract（参考訳）: リチウム イオン電池は携帯用電子工学から電気自動車まで及ぶ現代適用でユビキタスです。
アプリケーションに関係なく、オンボードコンピュータによるバッテリーの状態(SOH)の信頼性の高いリアルタイム推定は、バッテリーの安全な操作に不可欠であり、最終的に資産の完全性を保護します。
本稿では,各種条件下での179セル上での電池容量フェード(バッテリヘルスの指標)推定のための機械学習パイプラインの設計と評価を行う。
パイプラインは、2つのパラメトリックおよび2つの非パラメトリックアルゴリズムを用いて、関連する信頼区間で電池SOHを推定する。
チャージ電圧と電流曲線のセグメントを使用して、パイプラインエンジニア30は自動的な特徴選択を行い、アルゴリズムを校正する。
高速チャージプロトコルの下で動作しているセルにデプロイすると、最良のモデルは根平均二乗誤差 0.45\% を達成する。
この研究は、バッテリーSOH推定のためのスケーラブルなデータ駆動モデルの設計に関する洞察を提供し、予測に関する信頼性境界の価値を強調します。
パイプライン手法は、実験データと機械学習モデリングを組み合わせることで、SOHのリアルタイム推定を必要とする他の重要なコンポーネントに一般化することができる。
関連論文リスト
- GPT4Battery: An LLM-driven Framework for Adaptive State of Health
Estimation of Raw Li-ion Batteries [20.144140373356194]
健康状態 (SOH) は、直接測定できないが推定を必要とする電池の劣化レベルを評価するための重要な指標である。
本稿では, 多様な電池にまたがる適応型SOH推定のための新しいフレームワークを提案する。
提案手法は,62個のバッテリから収集した4つの広く認識されているデータセットに対して,最先端の精度を実現する。
論文 参考訳（メタデータ） (2024-01-30T14:47:15Z) - Driving behavior-guided battery health monitoring for electric vehicles
using machine learning [7.6366651125971945]
信頼性の高いバッテリヘルスモニタリングのための機能ベースの機械学習パイプラインを提案する。
まず,各個人の健康指標(HI)をメカニズム関連解釈でまとめ,分析した。
推定精度と相関分析に基づいて,全ての特徴を慎重に評価・スクリーニングした。
論文 参考訳（メタデータ） (2023-09-25T13:24:53Z) - DIICAN: Dual Time-scale State-Coupled Co-estimation of SOC, SOH and RUL
for Lithium-Ion Batteries [6.930255986517943]
本稿では,Deep Inter and intra-Cycle Attention Network (DIICAN) という状態結合型協調推定手法を提案する。
DIICAN法はオックスフォード・バッテリ・データセット上で検証される。
論文 参考訳（メタデータ） (2022-10-20T14:42:20Z) - Transfer Learning and Vision Transformer based State-of-Health
prediction of Lithium-Ion Batteries [1.2468700211588883]
健康状態(SOH)の正確な予測は、電池寿命に対するユーザの不安を緩和するだけでなく、バッテリーの管理に重要な情報を提供する。
本稿では,視覚変換器(ViT)モデルに基づくSOHの予測手法を提案する。
論文 参考訳（メタデータ） (2022-09-07T16:54:15Z) - Transfer Learning-based State of Health Estimation for Lithium-ion
Battery with Cycle Synchronization [16.637948430296227]
バッテリーの健康状態(SOH)を正確に推定することは、バッテリー駆動アプリケーションの予期せぬ失敗を防ぐのに役立ちます。
新たなバッテリのモデルトレーニングにおけるデータ要件の低減という優位性により,トランスファーラーニング(TL)が有望な機械学習アプローチとして出現する。
本稿では、時間的ダイナミクスを利用してTLに基づくSOH推定を解釈し、伝達学習を支援する手法を提案する。
論文 参考訳（メタデータ） (2022-08-23T21:40:40Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - 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) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳（メタデータ） (2021-06-21T23:42:58Z) - 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) - 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。