論文の概要: To Charge or to Sell? EV Pack Useful Life Estimation via LSTMs, CNNs,
and Autoencoders
- arxiv url: http://arxiv.org/abs/2110.03585v2
- Date: Fri, 29 Dec 2023 14:15:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 03:31:29.612750
- Title: To Charge or to Sell? EV Pack Useful Life Estimation via LSTMs, CNNs,
and Autoencoders
- Title（参考訳）: 課金するか、売るか?
LSTM, CNN, オートエンコーダによるEVパックの有効寿命推定
- Authors: Michael Bosello, Carlo Falcomer, Claudio Rossi, Giovanni Pau
- Abstract要約: 電気自動車(EV)は、より良い性能と快適さを提供すると約束しているが、何よりも、気候変動に直面するのに役立っている。その成功にもかかわらず、そのコストは依然として課題だ。
リチウムイオン電池は、最も高価なEVコンポーネントの1つであり、様々なアプリケーションにおけるエネルギー貯蔵の標準となっている。
バッテリーパックの有効寿命(RUL)を正確に見積もると、再利用が促進され、EVのコストが削減され、持続可能性が改善される。
- 参考スコア（独自算出の注目度）: 0.6841078017524518
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electric vehicles (EVs) are spreading fast as they promise to provide better
performance and comfort, but above all, to help face climate change. Despite
their success, their cost is still a challenge. Lithium-ion batteries are one
of the most expensive EV components, and have become the standard for energy
storage in various applications. Precisely estimating the remaining useful life
(RUL) of battery packs can encourage 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
the end of life of the target application, so it can still be reused in a
second domain without compromising safety and reliability. This paper proposes
and compares two deep learning approaches to estimate the RUL of Li-ion
batteries: LSTM and autoencoders vs. CNN and autoencoders. The autoencoders are
used to extract useful features, while the subsequent network is then used to
estimate the RUL. Compared to what has been proposed so far in the literature,
we employ measures to ensure the method's applicability in the actual deployed
application. Such measures include (1) avoiding using non-measurable variables
as input, (2) employing appropriate datasets with wide variability and
different conditions, and (3) predicting the remaining ampere-hours instead of
the number of cycles. The results show that the proposed methods can generalize
on datasets consisting of numerous batteries with high variance.
- Abstract（参考訳）: 電気自動車(EV)は、より良い性能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。
リチウムイオン電池は最も高価なev部品の1つであり、様々な用途でエネルギー貯蔵の標準となっている。
バッテリーパックの有効寿命(RUL)を正確に見積もると、再利用が促進され、EVのコストが削減され、持続可能性が改善される。
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。
そして、顧客は、その価値がまだあるとき、すなわち、ターゲットアプリケーションの寿命が終わる前に、バッテリーを売ることを決定できるので、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,Liイオン電池のRUL(LSTMとオートエンコーダ対CNNとオートエンコーダ)を推定するための2つのディープラーニング手法を提案し,比較する。
オートエンコーダは有用な特徴を抽出するために使用され、その後のネットワークはRULを推定するために使用される。
これまでの文献で提案されているものと比較して,本手法が実際にデプロイされたアプリケーションに適用可能であることを保証するための対策を講じている。
このような対策としては,(1)非可測変数を入力として使用するのを避けること,(2)広い変数と異なる条件の適切なデータセットを使用すること,(3)サイクル数ではなく残時間を予測すること,などがあげられる。
その結果,提案手法は,ばらつきの多い多数の電池からなるデータセットを一般化できることがわかった。
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。