論文の概要: A Dynamic Battery State-of-Health Forecasting Model for Electric Trucks:
Li-Ion Batteries Case-Study
- arxiv url: http://arxiv.org/abs/2103.16280v1
- Date: Tue, 30 Mar 2021 12:19:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 14:34:40.995112
- Title: A Dynamic Battery State-of-Health Forecasting Model for Electric Trucks:
Li-Ion Batteries Case-Study
- Title(参考訳): 電動トラックの動的バッテリー状態予測モデル:Liイオン電池のケーススタディ
- Authors: Matti Huotari, Shashank Arora, Avleen Malhi, Kary Fr\"amling
- Abstract要約: 本稿では, 電動トラックにおけるLiイオン電池の機械学習による健康状態(SoH)の予後について検討する。
バッテリーSoHを予測するための自動回帰型統合モデリング平均(ARIMA)と教師付き学習(決定木をベース見積もりとして袋詰め)を提案します。
- 参考スコア(独自算出の注目度): 1.1470070927586016
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: It is of extreme importance to monitor and manage the battery health to
enhance the performance and decrease the maintenance cost of operating electric
vehicles. This paper concerns the machine-learning-enabled state-of-health
(SoH) prognosis for Li-ion batteries in electric trucks, where they are used as
energy sources. The paper proposes methods to calculate SoH and cycle life for
the battery packs. We propose autoregressive integrated modeling average
(ARIMA) and supervised learning (bagging with decision tree as the base
estimator; BAG) for forecasting the battery SoH in order to maximize the
battery availability for forklift operations. As the use of data-driven methods
for battery prognostics is increasing, we demonstrate the capabilities of ARIMA
and under circumstances when there is little prior information available about
the batteries. For this work, we had a unique data set of 31 lithium-ion
battery packs from forklifts in commercial operations. On the one hand, results
indicate that the developed ARIMA model provided relevant tools to analyze the
data from several batteries. On the other hand, BAG model results suggest that
the developed supervised learning model using decision trees as base estimator
yields better forecast accuracy in the presence of large variation in data for
one battery.
- Abstract(参考訳): 電気自動車の性能向上とメンテナンスコストの削減のために、バッテリーの健全性を監視し管理することが極めて重要である。
本稿では,電気トラックのliイオン電池がエネルギー源として利用される,機械学習による健康状態(soh)の予後について述べる。
本稿では,電池パックのSoHとサイクル寿命を計算する手法を提案する。
本研究では, 自己回帰型統合モデリング平均(arima)と教師付き学習(決定木をベース推定器とする袋)を提案し, フォークリフト操作のバッテリ可用性を最大化するためにバッテリsohを予測する。
電池予後予測のためのデータ駆動型手法の利用が増えているため,電池に関する事前情報が少ない状況下では,arimaの機能を実証する。
この作業のために、商用運用でフォークリフトから31個のリチウムイオン電池パックを収集した。
一方,ARIMAモデルでは,複数の電池からのデータ分析を行うための関連ツールが提供されている。
一方,BAGモデルでは,決定木をベース推定器として用いた教師付き学習モデルにより,1つのバッテリに大きな変動が存在する場合の予測精度が向上することが示唆された。
関連論文リスト
- BatSort: Enhanced Battery Classification with Transfer Learning for Battery Sorting and Recycling [42.453194049264646]
バッテリータイプ分類のための機械学習に基づくアプローチを導入し、アプリケーションにおけるデータ不足の問題に対処する。
本研究では,大規模なデータセットに最適化された既存の知識を活用するために移動学習を適用したBatSortを提案する。
実験の結果,BatSortの精度は平均92.1%,最大96.2%であった。
論文 参考訳(メタデータ) (2024-04-08T18:05:24Z) - Cycle Life Prediction for Lithium-ion Batteries: Machine Learning and More [0.0]
電池は複雑な非線形時効を持つ動的システムである。
このチュートリアルは、第一原理、機械学習、ハイブリッドバッテリーモデルの概要から始まる。
機械学習モデルの課題を強調し、ハイブリッドモデリングアプローチにおける物理の組み入れを動機づける。
論文 参考訳(メタデータ) (2024-04-05T12:05:20Z) - 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) - Battery Cloud with Advanced Algorithms [1.7205106391379026]
バッテリクラウドまたはクラウドバッテリ管理システムは、クラウド計算パワーとデータストレージを活用して、バッテリ安全性、パフォーマンス、経済性を改善する。
この研究は、電気自動車やエネルギー貯蔵システムから計測されたバッテリーデータを収集するバッテリクラウドを提示する。
論文 参考訳(メタデータ) (2022-03-07T21:56:17Z) - Data Driven Prediction of Battery Cycle Life Before Capacity Degradation [0.0]
本稿では,Kristen A. Seversonらが実施したデータと手法を用いて,研究チームが使用した方法論を探索する。
基本的な取り組みは、機械学習技術が、バッテリー容量を正確に予測するために、早期ライフサイクルデータを使用するように訓練されているかどうかを確認することである。
論文 参考訳(メタデータ) (2021-10-19T01:35:12Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-10-18T14:43:50Z) - 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) - Optimizing a domestic battery and solar photovoltaic system with deep
reinforcement learning [69.68068088508505]
バッテリーと太陽光発電システムのコストの低下は、ソーラーバッテリーの家庭用システムの増加に繋がった。
本研究では,システム内の電池の充電および放電挙動を最適化するために,深い決定論的ポリシーアルゴリズムを用いる。
論文 参考訳(メタデータ) (2021-09-10T10:59:14Z) - 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。