論文の概要: Attention-based Deep Neural Networks for Battery Discharge Capacity
Forecasting
- arxiv url: http://arxiv.org/abs/2202.06738v1
- Date: Mon, 14 Feb 2022 14:16:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 18:08:44.240802
- Title: Attention-based Deep Neural Networks for Battery Discharge Capacity
Forecasting
- Title（参考訳）: 電池放電容量予測のための注意型ディープニューラルネットワーク
- Authors: Yadong Zhang, Chenye Zou and Xin Chen
- Abstract要約: 容量劣化は、データの観点から電荷の初期電池状態の記憶として扱うことができる。
深部劣化ネットワーク(DDN)は、類似度を測定し電池容量を予測するための注意機構によって開発されている。
DDNモデルは、ストリーミングセンサデータから変性関連時間パターンを抽出し、リアルタイムにオンラインで効率よくバッテリ容量予測を行う。
- 参考スコア（独自算出の注目度）: 2.8944480776764308
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Battery discharge capacity forecasting is critically essential for the
applications of lithium-ion batteries. The capacity degeneration can be treated
as the memory of the initial battery state of charge from the data point of
view. The streaming sensor data collected by battery management systems (BMS)
reflect the usable battery capacity degradation rates under various operational
working conditions. The battery capacity in different cycles can be measured
with the temporal patterns extracted from the streaming sensor data based on
the attention mechanism. The attention-based similarity regarding the first
cycle can describe the battery capacity degradation in the following cycles.
The deep degradation network (DDN) is developed with the attention mechanism to
measure similarity and predict battery capacity. The DDN model can extract the
degeneration-related temporal patterns from the streaming sensor data and
perform the battery capacity prediction efficiently online in real-time. Based
on the MIT-Stanford open-access battery aging dataset, the root-mean-square
error of the capacity estimation is 1.3 mAh. The mean absolute percentage error
of the proposed DDN model is 0.06{\%}. The DDN model also performance well in
the Oxford Battery Degradation Dataset with dynamic load profiles. Therefore,
the high accuracy and strong robustness of the proposed algorithm are verified.
- Abstract（参考訳）: リチウムイオン電池の応用には電池放電容量予測が不可欠である。
容量デジェネレーションは、データの観点からは、チャージの初期バッテリ状態のメモリとして扱うことができる。
バッテリ管理システム(BMS)が収集したストリーミングセンサデータは、さまざまな動作条件下で使用可能なバッテリ容量劣化率を反映する。
注目機構に基づいて、ストリーミングセンサデータから抽出した時間パターンを用いて、異なるサイクルでのバッテリ容量を測定することができる。
第1サイクルに関する注意に基づく類似性は、以下のサイクルにおけるバッテリー容量の低下を記述できる。
深部劣化ネットワーク(DDN)は、類似度を測定し電池容量を予測するための注意機構によって開発されている。
DDNモデルは、ストリーミングセンサデータから変性関連時間パターンを抽出し、リアルタイムにオンラインで効率よくバッテリ容量予測を行う。
mit-stanford open-access battery agingデータセットに基づいて、容量推定のルート平均二乗誤差は1.3 mahである。
提案したDDNモデルの平均絶対パーセンテージ誤差は 0.06{\%} である。
DDNモデルは、動的負荷プロファイルを持つOxford Battery Degradation Datasetでもよく機能する。
そこで,提案アルゴリズムの精度と強靭性を検証した。
関連論文リスト
- Transformer-based Capacity Prediction for Lithium-ion Batteries with Data Augmentation [0.0]
リチウムイオン電池は、輸送、電子機器、クリーンエネルギー貯蔵の技術の進歩に欠かせない。
キャパシティを推定する現在の方法は、キー変数の長期的な時間的依存関係を適切に説明できない。
本研究では,電池データにおける長期パターンと短期パターンの両方を考慮した変圧器ベースの電池容量予測モデルを構築した。
論文 参考訳（メタデータ） (2024-07-22T20:21:40Z) - Cerberus: A Deep Learning Hybrid Model for Lithium-Ion Battery Aging
Estimation and Prediction Based on Relaxation Voltage Curves [7.07637687957493]
本稿では,ディープラーニングに基づくキャパシティ老化推定と予測のためのハイブリッドモデルを提案する。
提案手法は, チャージサイクルと放電サイクルを含む新しいデータセットに対して, 様々な速度で検証する。
論文 参考訳（メタデータ） (2023-08-15T15:07:32Z) - DIICAN: Dual Time-scale State-Coupled Co-estimation of SOC, SOH and RUL
for Lithium-Ion Batteries [6.930255986517943]
本稿では,Deep Inter and intra-Cycle Attention Network (DIICAN) という状態結合型協調推定手法を提案する。
DIICAN法はオックスフォード・バッテリ・データセット上で検証される。
論文 参考訳（メタデータ） (2022-10-20T14:42:20Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳（メタデータ） (2022-03-03T19:56:24Z) - Microgrid Day-Ahead Scheduling Considering Neural Network based Battery
Degradation Model [0.42970700836450487]
バッテリエネルギー貯蔵システム(BESS)は、再生可能エネルギー発生の不確実性を効果的に軽減することができる。
LiB劣化の主な原因は、Li防止効果の喪失、電解質の喪失、電池内部の劣化である。
本稿では, ニューラルネットワークを用いた電池劣化モデルを提案し, 劣化要因の入力による劣化の定量化を行う。
論文 参考訳（メタデータ） (2022-02-24T23:24:52Z) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳（メタデータ） (2021-06-21T23:42:58Z) - 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) - 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) - 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。