論文の概要: Data Driven Prediction of Battery Cycle Life Before Capacity Degradation
- arxiv url: http://arxiv.org/abs/2110.09687v1
- Date: Tue, 19 Oct 2021 01:35:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-21 00:47:07.996746
- Title: Data Driven Prediction of Battery Cycle Life Before Capacity Degradation
- Title(参考訳): データ駆動による容量劣化前のバッテリサイクル寿命予測
- Authors: Anmol Singh, Caitlin Feltner, Jamie Peck, Kurt I. Kuhn
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Ubiquitous use of lithium-ion batteries across multiple industries presents
an opportunity to explore cost saving initiatives as the price to performance
ratio continually decreases in a competitive environment. Manufacturers using
lithium-ion batteries ranging in applications from mobile phones to electric
vehicles need to know how long batteries will last for a given service life. To
understand this, expensive testing is required.
This paper utilizes the data and methods implemented by Kristen A. Severson,
et al, to explore the methodologies that the research team used and presents
another method to compare predicted results vs. actual test data for battery
capacity fade. The fundamental effort is to find out if machine learning
techniques may be trained to use early life cycle data in order to accurately
predict battery capacity over the battery life cycle. Results show comparison
of methods between Gaussian Process Regression (GPR) and Elastic Net Regression
(ENR) and highlight key data features used from the extensive dataset found in
the work of Severson, et al.
- Abstract(参考訳): 複数の産業にまたがるリチウムイオン電池のユビキタス利用は、競争環境において価格対パフォーマンス比が継続的に低下するため、コスト削減イニシアチブを探求する機会となる。
携帯電話から電気自動車まで、さまざまなアプリケーションでリチウムイオン電池を使用しているメーカーは、特定のサービス期間のバッテリー寿命を知る必要がある。
これを理解するには、高価なテストが必要です。
本稿では、Kristen A. Seversonらによる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し、予測結果と実際のバッテリー容量のフェードに関するテストデータを比較する別の方法を提案する。
基本的な取り組みは、機械学習技術が、バッテリーライフサイクルの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調べることである。
その結果,Gaussian Process Regression (GPR) と Elastic Net Regression (ENR) を比較し,Severson などの作業で発見された広範囲なデータセットから得られた重要なデータ特徴を強調した。
関連論文リスト
- Remaining Useful Life Prediction of Lithium-ion Batteries using
Spatio-temporal Multimodal Attention Networks [4.503003860563811]
本稿では,マルチモーダル時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段階余寿命予測手法を提案する。
提案モデルは、利用可能なデータに基づいて、電池が有用寿命の終了に要するサイクル数を反復的に予測するように設計されている。
実験結果から,提案したST-MANモデルは既存のCNNおよびLSTMに基づく手法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-29T07:32:32Z) - Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。
最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。
我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文 参考訳(メタデータ) (2023-06-05T04:34:54Z) - 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) - 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) - Machine learning applications for electricity market agent-based models:
A systematic literature review [68.8204255655161]
エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。
エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。
我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
論文 参考訳(メタデータ) (2022-06-05T14:52:26Z) - Improved Fine-tuning by Leveraging Pre-training Data: Theory and
Practice [52.11183787786718]
対象データに事前学習されたモデルを微調整することは、多くのディープラーニングアプリケーションで広く利用されている。
近年の研究では、スクラッチからのトレーニングが、この事前トレーニング戦略に比較して、最終的なパフォーマンスを示すことが実証されている。
本稿では,対象タスクの一般化を改善するために,事前学習データからサブセットを選択する新しい選択戦略を提案する。
論文 参考訳(メタデータ) (2021-11-24T06:18:32Z) - To Charge or to Sell? EV Pack Useful Life Estimation via LSTMs, CNNs,
and Autoencoders [0.6841078017524518]
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。
論文 参考訳(メタデータ) (2021-10-07T16:09:01Z) - 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) - 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) - 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。