論文の概要: GAETS: A Graph Autoencoder Time Series Approach Towards Battery Parameter Estimation

• arxiv url: http://arxiv.org/abs/2111.09314v1
• Date: Wed, 17 Nov 2021 16:04:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-20 01:46:21.088276
• Title: GAETS: A Graph Autoencoder Time Series Approach Towards Battery Parameter Estimation
• Title（参考訳）: GAETS:バッテリパラメータ推定に向けたグラフオートエンコーダ時系列アプローチ
• Authors: Edward Elson Kosasih, Rucha Bhalchandra Joshi, Janamejaya Channegowda
• Abstract要約: リチウムイオン電池は、現在進行中の輸送革命に力を入れている。 電気自動車の走行距離を推定するためには、バッテリーパラメータの正確な推定が不可欠である。 グラフに基づく推定手法により、推定を改善するためにそれらを支える変数を理解することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Lithium-ion batteries are powering the ongoing transportation electrification revolution. Lithium-ion batteries possess higher energy density and favourable electrochemical properties which make it a preferable energy source for electric vehicles. Precise estimation of battery parameters (Charge capacity, voltage etc) is vital to estimate the available range in an electric vehicle. Graph-based estimation techniques enable us to understand the variable dependencies underpinning them to improve estimates. In this paper we employ Graph Neural Networks for battery parameter estimation, we introduce a unique graph autoencoder time series estimation approach. Variables in battery measurements are known to have an underlying relationship with each other in a certain correlation within variables of interest. We use graph autoencoder based on a non-linear version of NOTEARS as this allowed us to perform gradient-descent in learning the structure (instead of treating it as a combinatorial optimisation problem). The proposed architecture outperforms the state-of-the-art Graph Time Series (GTS) architecture for battery parameter estimation. We call our method GAETS (Graph AutoEncoder Time Series).
• Abstract（参考訳）: リチウムイオン電池は、現在進行中の輸送電化革命を支えている。 リチウムイオン電池は高いエネルギー密度を持ち、電気化学的特性が好ましいため、電気自動車のエネルギー源として好まれる。 電気自動車の利用可能な範囲を推定するには,バッテリパラメータ(充電容量,電圧など)の正確な推定が不可欠である。 グラフベースの推定手法により、変数の依存関係を理解して見積もりを改善することができる。 本稿では,バッテリパラメータ推定にグラフニューラルネットワークを用いた,ユニークなグラフオートエンコーダ時系列推定手法を提案する。 バッテリ測定の変数は、関心のある変数内のある相関関係において互いに基礎的な関係を持つことが知られている。 グラフオートエンコーダはNOTEARSの非線形バージョンに基づいており、これにより構造を学習する際に勾配差を発生させることができる(組合せ最適化問題として扱う代わりに)。 提案アーキテクチャは,最新のグラフ時系列(GTS)アーキテクチャよりバッテリパラメータ推定に優れる。 我々はgaets(graph autoencoder time series)と呼ぶ。

関連論文リスト

• Battery GraphNets : Relational Learning for Lithium-ion Batteries(LiBs) Life Estimation [0.0]
  本稿では、バッテリパラメータ間で独立した依存性グラフ構造を組み込むことを共同で学習するバッテリグラフネットワークフレームワークを提案する。 提案手法は,市販のバッテリデータセットにおいて,いくつかの一般的な手法よりも優れた性能を示し,SOTA性能を実現する。
  論文  参考訳（メタデータ） (2024-08-14T15:44:56Z)
• Deep Prompt Tuning for Graph Transformers [55.2480439325792]
  ファインチューニングはリソース集約型であり、大きなモデルのコピーを複数保存する必要がある。 ファインチューニングの代替として,ディープグラフプロンプトチューニングと呼ばれる新しい手法を提案する。 事前学習したパラメータを凍結し、追加したトークンのみを更新することにより、フリーパラメータの数を減らし、複数のモデルコピーを不要にする。
  論文  参考訳（メタデータ） (2023-09-18T20:12:17Z)
• 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)
• 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)
• 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)
• Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
  Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。 解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。 線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
  論文  参考訳（メタデータ） (2021-05-29T08:11:40Z)
• 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)
• Machine learning pipeline for battery state of health estimation [3.0238880199349834]
  我々は,バッテリ容量のフェードを推定するための機械学習パイプラインの設計と評価を行う。 パイプラインは、2つのパラメトリックおよび2つの非パラメトリックアルゴリズムを用いて、関連する信頼区間で電池SOHを推定する。 高速充電プロトコルの下で動作しているセルにデプロイすると、最良のモデルでは、ルート平均2乗誤差が0.45%に達する。
  論文  参考訳（メタデータ） (2021-02-01T13:50:56Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)
• Dirichlet Graph Variational Autoencoder [65.94744123832338]
  本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。 バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
  論文  参考訳（メタデータ） (2020-10-09T07:35:26Z)
• 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。