Fugu-MT 論文翻訳(概要): Overcoming limited battery data challenges: A coupled neural network approach

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

BatSort: Enhanced Battery Classification with Transfer Learning for Battery Sorting and Recycling [42.453194049264646]
バッテリータイプ分類のための機械学習に基づくアプローチを導入し、アプリケーションにおけるデータ不足の問題に対処する。本研究では,大規模なデータセットに最適化された既存の知識を活用するために移動学習を適用したBatSortを提案する。実験の結果,BatSortの精度は平均92.1%,最大96.2%であった。
論文参考訳（メタデータ） (2024-04-08T18:05:24Z)
Taking Second-life Batteries from Exhausted to Empowered using Experiments, Data Analysis, and Health Estimation [0.0]
電力貯蔵における引退した電気自動車電池の再利用は、環境と経済的利益をもたらす。本研究は、グリッドストレージに配備された電池の健康モニタリングアルゴリズムに焦点をあてる。
論文参考訳（メタデータ） (2024-02-29T05:17:36Z)
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 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)
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。