論文の概要: Comparing seven methods for state-of-health time series prediction for
the lithium-ion battery packs of forklifts
- arxiv url: http://arxiv.org/abs/2107.05489v1
- Date: Tue, 6 Jul 2021 10:52:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-18 12:31:35.442056
- Title: Comparing seven methods for state-of-health time series prediction for
the lithium-ion battery packs of forklifts
- Title（参考訳）: フォークリフトリチウムイオン電池パックの健康時系列予測のための7つの方法の比較
- Authors: Matti Huotari, Shashank Arora, Avleen Malhi, Kary Fr\"amling
- Abstract要約: 本報告では, 健康状態の予測において, 緩やかな回帰を推し進める能力について述べる。
われわれは45個のリチウムイオン電池パックのユニークなデータセットを所有しており、データに大きなバリエーションがある。
- 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: A key aspect for the forklifts is the state-of-health (SoH) assessment to
ensure the safety and the reliability of uninterrupted power source.
Forecasting the battery SoH well is imperative to enable preventive maintenance
and hence to reduce the costs. This paper demonstrates the capabilities of
gradient boosting regression for predicting the SoH timeseries under
circumstances when there is little prior information available about the
batteries. We compared the gradient boosting method with light gradient
boosting, extra trees, extreme gradient boosting, random forests, long
short-term memory networks and with combined convolutional neural network and
long short-term memory networks methods. We used multiple predictors and lagged
target signal decomposition results as additional predictors and compared the
yielded prediction results with different sets of predictors for each method.
For this work, we are in possession of a unique data set of 45 lithium-ion
battery packs with large variation in the data. The best model that we derived
was validated by a novel walk-forward algorithm that also calculates point-wise
confidence intervals for the predictions; we yielded reasonable predictions and
confidence intervals for the predictions. Furthermore, we verified this model
against five other lithium-ion battery packs; the best model generalised to
greater extent to this set of battery packs. The results about the final model
suggest that we were able to enhance the results in respect to previously
developed models. Moreover, we further validated the model for extracting cycle
counts presented in our previous work with data from new forklifts; their
battery packs completed around 3000 cycles in a 10-year service period, which
corresponds to the cycle life for commercial Nickel-Cobalt-Manganese (NMC)
cells.
- Abstract（参考訳）: フォークリフトの重要な側面は、故障しない電源の安全性と信頼性を確保するための健康状態評価(SoH)である。
電池SoH井戸の予測は、予防メンテナンスを可能にするために必須であり、したがってコストを低減させる。
本稿では,電池に関する事前情報が少ない状況下でのsoh時系列予測のための勾配昇降回帰の能力を示す。
勾配ブースティング法を,光勾配ブースティング,余分な木,極端な勾配ブースティング,ランダム森林,長期短期記憶ネットワーク,畳み込みニューラルネットワークと長期短期記憶ネットワークの併用法と比較した。
複数の予測器と遅延目標信号分解結果を追加予測器として使用し,得られた予測結果を各予測器の異なるセットと比較した。
この研究のために私たちは、データに大きなバリエーションを持つ45個のリチウムイオンバッテリーパックのユニークなデータセットを所有しています。
提案手法は,予測のためのポイントワイズ信頼区間を計算する新しいウォークフォワードアルゴリズムによって検証され,予測のための合理的な予測と信頼区間が得られた。
さらに,このモデルを他のリチウムイオン電池パック5台に対して検証した。
最終モデルに関する結果から,先行したモデルに関して結果が向上したことが示唆された。
さらに, 市販ニッケルコバルトマンガン(nmc)セルのサイクル寿命に相当する10年周期で3000サイクル程度の電池パックを完成させ, 新たなフォークリフトのデータを用いて, これまでの研究で提示されたサイクル数を抽出するモデルをさらに検証した。
関連論文リスト
- Reliable Prediction Intervals with Regression Neural Networks [1.569545894307769]
本稿では,従来の回帰ニューラルネットワーク(NN)を拡張して,所要の信頼度を満たす予測間隔で生成する点予測を置き換える手法を提案する。
提案手法は,信頼度を予測に割り当てるための新しい機械学習フレームワークである Conformal Prediction (CP) に従う。
提案手法は,4つのベンチマークデータセットと,電離圏間リンクにおいて重要なパラメータであるトータル・エレクトロン・コンテント(TEC)の予測問題について評価する。
論文 参考訳（メタデータ） (2023-12-15T08:39:02Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - CyFormer: Accurate State-of-Health Prediction of Lithium-Ion Batteries
via Cyclic Attention [1.4542411354617986]
本稿では, 変圧器を用いた健康状態(SoH)予測のための周期時間列モデルを提案する。
本手法では,テストバッテリを微調整するための10%のデータのみを用いて,0.75%のMAEが得られる。
論文 参考訳（メタデータ） (2023-04-17T02:16:40Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳（メタデータ） (2023-03-02T21:48:22Z) - Enhanced Gaussian Process Dynamical Models with Knowledge Transfer for
Long-term Battery Degradation Forecasting [0.9208007322096533]
電気自動車のバッテリーの寿命や寿命の予測は、決定的かつ困難な問題だ。
多数のアルゴリズムが、バッテリ管理システムが収集したデータから利用できる機能を組み込んでいる。
この制限を克服できる高精度な手法を開発した。
論文 参考訳（メタデータ） (2022-12-03T12:59:51Z) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳（メタデータ） (2022-07-13T14:13:49Z) - Interpretable Battery Cycle Life Range Prediction Using Early
Degradation Data at Cell Level [0.8137198664755597]
量的回帰フォレスト(QRF)モデルを導入し、不確かさを定量化してサイクル寿命範囲を予測する。
データ駆動方式は, 電池劣化機構の最小限の知識で, 電池サイクル寿命のポイント予測を行う手法として提案されている。
最終QRFモデルの解釈可能性については,2つの大域的モデルに依存しない手法を用いて検討した。
論文 参考訳（メタデータ） (2022-04-26T16:26:27Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - A Dynamic Battery State-of-Health Forecasting Model for Electric Trucks:
Li-Ion Batteries Case-Study [1.1470070927586016]
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。
論文 参考訳（メタデータ） (2021-03-30T12:19:21Z) - Fast, Accurate, and Simple Models for Tabular Data via Augmented
Distillation [97.42894942391575]
本研究では、FAST-DADを用いて、任意の複雑なアンサンブル予測を、高木、無作為林、深層ネットワークなどの個々のモデルに抽出する。
我々の個々の蒸留モデルは、H2O/AutoSklearnのようなAutoMLツールが生成するアンサンブル予測よりも10倍高速で精度が高い。
論文 参考訳（メタデータ） (2020-06-25T09:57:47Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z)
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。