論文の概要: Overcoming limited battery data challenges: A coupled neural network
approach
- arxiv url: http://arxiv.org/abs/2111.15348v1
- Date: Tue, 5 Oct 2021 16:17:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-12 10:10:13.578174
- Title: Overcoming limited battery data challenges: A coupled neural network
approach
- Title(参考訳): 限られたバッテリデータ課題を克服する:結合ニューラルネットワークアプローチ
- Authors: Aniruddh Herle, Janamejaya Channegowda, Dinakar Prabhu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Electric Vehicle (EV) Industry has seen extraordinary growth in the last
few years. This is primarily due to an ever increasing awareness of the
detrimental environmental effects of fossil fuel powered vehicles and
availability of inexpensive Lithium-ion batteries (LIBs). In order to safely
deploy these LIBs in Electric Vehicles, certain battery states need to be
constantly monitored to ensure safe and healthy operation. The use of Machine
Learning to estimate battery states such as State-of-Charge and State-of-Health
have become an extremely active area of research. However, limited availability
of open-source diverse datasets has stifled the growth of this field, and is a
problem largely ignored in literature. In this work, we propose a novel method
of time-series battery data augmentation using deep neural networks. We
introduce and analyze the method of using two neural networks working together
to alternatively produce synthetic charging and discharging battery profiles.
One model produces battery charging profiles, and another produces battery
discharging profiles. The proposed approach is evaluated using few public
battery datasets to illustrate its effectiveness, and our results show the
efficacy of this approach to solve the challenges of limited battery data. We
also test this approach on dynamic Electric Vehicle drive cycles as well.
- Abstract(参考訳): 電気自動車(EV)産業はここ数年、驚異的な成長を遂げてきた。
これは主に化石燃料自動車の有害な環境影響と安価なリチウムイオン電池(libs)の使用に対する認識がますます高まっているためである。
これらのLIBを電気自動車に安全に配備するには、安全で健全な運転を確保するために、一定のバッテリー状態を常に監視する必要がある。
State-of-ChargeやState-of-Healthといったバッテリ状態を推定するための機械学習の利用は、非常に活発な研究領域となっている。
しかし、オープンソースの多種多様なデータセットの可用性はこの分野の成長を阻害しており、文学では無視されている問題である。
本研究では,深層ニューラルネットワークを用いた時系列バッテリーデータ拡張手法を提案する。
そこで本研究では, 2つのニューラルネットワークを併用して, 合成電荷と放電電池プロファイルを交互に生成する方法を紹介し, 解析する。
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。
提案手法は,公的なバッテリデータセットを用いて,その有効性を説明するために評価され,本手法が限定的なバッテリデータの課題を解決するための有効性を示す。
このアプローチは、ダイナミックな電気自動車駆動サイクルでもテストします。
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) - A Deep Learning Approach Towards Generating High-fidelity Diverse
Synthetic Battery Datasets [0.0]
高忠実度バッテリデータセットを合成するためのDeep Learningベースの手法をいくつか導入する。
これらの強化された合成データセットは、バッテリー研究者がより良い推定モデルを構築するのに役立つ。
論文 参考訳(メタデータ) (2023-04-09T05:41:21Z) - Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。
本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。
GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
論文 参考訳(メタデータ) (2022-07-21T23:02:35Z) - CellDefectNet: A Machine-designed Attention Condenser Network for
Electroluminescence-based Photovoltaic Cell Defect Inspection [67.99623869339919]
太陽電池の視覚検査で業界が直面している大きな課題は、現在人間の検査員が手動で行っていることである。
本研究では,機械駆動設計探索により設計した高効率アテンションコンデンサネットワークであるCellDefectNetを紹介する。
発光画像を用いた太陽電池セルの多様性を示すベンチマークデータセット上で,セルデフェクトネットの有効性を実証した。
論文 参考訳(メタデータ) (2022-04-25T16:35:19Z) - Battery Cloud with Advanced Algorithms [1.7205106391379026]
バッテリクラウドまたはクラウドバッテリ管理システムは、クラウド計算パワーとデータストレージを活用して、バッテリ安全性、パフォーマンス、経済性を改善する。
この研究は、電気自動車やエネルギー貯蔵システムから計測されたバッテリーデータを収集するバッテリクラウドを提示する。
論文 参考訳(メタデータ) (2022-03-07T21:56:17Z) - EVBattery: A Large-Scale Electric Vehicle Dataset for Battery Health and
Capacity Estimation [15.169440280225647]
電気自動車(EV)は二酸化炭素排出量を減らす上で重要な役割を果たしている。
EVの採用が加速するにつれ、EVバッテリーによる安全性の問題が重要な研究トピックとなっている。
この課題に対して,データ駆動方式のベンチマークと開発を行うため,EVバッテリの大規模かつ包括的なデータセットを導入する。
我々のデータセットは、実世界のバッテリーデータに関する最初の大規模な公開データセットであり、既存のデータには数台の車両しか含まれていないか、実験室で収集されている。
論文 参考訳(メタデータ) (2022-01-28T10:06:39Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳(メタデータ) (2021-11-13T15:03:44Z) - 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。