論文の概要: To Charge or To Sell? EV Pack Useful Life Estimation via LSTMs and Autoencoders

• arxiv url: http://arxiv.org/abs/2110.03585v1
• Date: Thu, 7 Oct 2021 16:09:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-08 16:05:46.650226
• Title: To Charge or To Sell? EV Pack Useful Life Estimation via LSTMs and Autoencoders
• Title（参考訳）: 課金するか、売るか? LSTMとオートエンコーダによるEVパックの寿命推定
• Authors: Michael Bosello, Carlo Falcomer, Claudio Rossi, Giovanni Pau
• Abstract要約: バッテリーパックの有効寿命(RUL)を維持すれば、再利用が可能である。 電池パックの残余市場価値を定量化するために、正しいRUL推定を用いることができる。 本稿では,LSTMとオートエンコーダに基づくディープラーニング手法を用いて,リイオン電池のRULを推定する。
• 参考スコア（独自算出の注目度）: 1.2272975892517035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electric Vehicles (EVs) are spreading fast as they promise to provide better performances and comfort, but above all, to help facing climate change. Despite their success, their cost is still a challenge. One of the most expensive components of EVs is lithium-ion batteries, which became the standard for energy storage in a wide range of applications. Precisely estimating the Remaining Useful Life (RUL) of battery packs can open to their reuse and thus help to reduce the cost of EVs and improve sustainability. A correct RUL estimation can be used to quantify the residual market value of the battery pack. The customer can then decide to sell the battery when it still has a value, i.e., before it exceeds its end of life of the target application and can still be reused in a second domain without compromising safety and reliability. In this paper, we propose to use a Deep Learning approach based on LSTMs and Autoencoders to estimate the RUL of li-ion batteries. Compared to what has been proposed so far in the literature, we employ measures to ensure the applicability of the method also in the real deployed application. Such measures include (1) avoid using non-measurable variables as input, (2) employ appropriate datasets with wide variability and different conditions, (3) do not use cycles to define the RUL.
• Abstract（参考訳）: 電気自動車(ev)は、より良いパフォーマンスと快適性を提供することを約束しながら急速に普及している。 彼らの成功にもかかわらず、そのコストは依然として課題である。 EVの最も高価な部品の1つはリチウムイオン電池であり、幅広い用途におけるエネルギー貯蔵の標準となった。 バッテリーパックの残留有効寿命(RUL)を正確に見積もれば、その再利用は可能であり、EVのコスト削減と持続可能性の向上に役立つ。 電池パックの残留市場値を定量化するために、正しいRUL推定を用いることができる。 顧客は、まだ価値がある場合、すなわち、ターゲットアプリケーションの寿命を超える前にバッテリーを売ることを決定でき、安全性と信頼性を損なうことなく、第2のドメインで再利用することができる。 本稿では,LSTMとオートエンコーダに基づくディープラーニング手法を用いて,リイオン電池のRULを推定する。 文献で提案されているものと比較して,本手法の適用性を確保するため,本手法を実運用アプリケーションにも適用する。 例えば、(1) 測定不能な変数を入力として使うのを避ける、(2) 幅広い可変性と異なる条件を持つ適切なデータセットを使用すること、(3) rulを定義するのにサイクルを使用しない、などである。

関連論文リスト

• Remaining useful life prediction of Lithium-ion batteries using spatio-temporal multimodal attention networks [4.249657064343807]
  リチウムイオン電池は、電気自動車や再生可能エネルギー貯蔵など様々な用途で広く使われている。 電池の残存寿命(RUL)の予測は信頼性と効率の確保に不可欠である。 本稿では, 時空間アテンションネットワーク(ST-MAN)を用いたリチウムイオン電池の2段階RUL予測手法を提案する。
  論文  参考訳（メタデータ） (2023-10-29T07:32:32Z)
• Charge Manipulation Attacks Against Smart Electric Vehicle Charging Stations and Deep Learning-based Detection Mechanisms [49.37592437398933]
  電気自動車充電ステーション(EVCS)は、グリーントランスポートの実現に向けた重要なステップとなる。 我々は、攻撃者がスマート充電操作中に交換された情報を操作しているEV充電に対する充電操作攻撃(CMA)を調査した。 本稿では,EV充電に関わるパラメータを監視してCMAを検出する,教師なしのディープラーニングに基づくメカニズムを提案する。
  論文  参考訳（メタデータ） (2023-10-18T18:38:59Z)
• A Mapping Study of Machine Learning Methods for Remaining Useful Life Estimation of Lead-Acid Batteries [0.0]
  State of Health (SoH) と Remaining Useful Life (RUL) は、バッテリーシステムの予測保守、信頼性、寿命の向上に貢献している。 本稿では,鉛蓄電池のSoHとRULを推定するための機械学習手法における最先端のマッピング研究について述べる。
  論文  参考訳（メタデータ） (2023-07-11T10:41:41Z)
• Estimation of Remaining Useful Life and SOH of Lithium Ion Batteries (For EV Vehicles) [0.0]
  本稿では,リチウムイオン電池の寿命を推定するための既存手法について概説する。 リチウムイオン電池の寿命を正確に予測するための機械学習技術に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-17T15:35:31Z)
• 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)
• 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)
• VSAC: Efficient and Accurate Estimator for H and F [68.65610177368617]
  VSACはRANSAC型頑健な推定器であり、多くの新奇性がある。 従来のすべてのプロセッサよりも大幅に高速で、CPU上では平均1-2msで動作する。 現在最も正確な2次元幾何学推定器である MAGSAC++ と同等の精度で2桁高速である。
  論文  参考訳（メタデータ） (2021-06-18T17:04:57Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)
• 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。