論文の概要: Microgrid Day-Ahead Scheduling Considering Neural Network based Battery Degradation Model

• arxiv url: http://arxiv.org/abs/2202.12416v1
• Date: Thu, 24 Feb 2022 23:24:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 00:41:56.501963
• Title: Microgrid Day-Ahead Scheduling Considering Neural Network based Battery Degradation Model
• Title（参考訳）: ニューラルネットワークに基づくバッテリー劣化モデルを考慮したマイクログリッドデイアヘッドスケジューリング
• Authors: Cunzhi Zhao, and Xingpeng Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Battery energy storage system (BESS) can effectively mitigate the uncertainty of variable renewable generation. Degradation is un-preventable for batteries such as the most popular Lithium-ion battery (LiB). The main causes of LiB degradation are loss of Li-ions, loss of electrolyte, and increase of internal resistance which are hard to model and predict. In this paper, we propose a data driven method to predict the battery degradation per a given scheduled battery operational profile. Particularly, a neural net-work based battery degradation (NNBD) model is proposed to quantify the battery degradation with inputs of major battery degradation factors. When incorporating the proposed NNBD model into microgrid day-ahead scheduling (MDS), we can estab-lish a battery degradation based MDS (BDMDS) model that can consider the equivalent battery degradation cost precisely. Since the proposed NNBD model is highly non-linear and non-convex, BDMDS would be very hard to solve. To address this issue, a neural network and optimization decoupled heuristic (NNODH) algorithm is proposed in this paper to effectively solve this neural network embedded optimization problem. Simulation results demonstrate that the proposed NNODH algorithm is able to ob-tain the optimal solution with lowest total cost including normal operation cost and battery degradation cost.
• Abstract（参考訳）: バッテリエネルギー貯蔵システム(BESS)は、可変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。 リチウムイオン電池(lib)のような電池では劣化は避けられない。 LiB分解の主な原因は、Liイオンの損失、電解質の損失、およびモデル化や予測が難しい内部抵抗の増加である。 本稿では,所定の電池運用プロファイルに基づいて,バッテリ劣化を予測するためのデータ駆動方式を提案する。 特に,nnbd(neural net-work based battery degradation)モデルを提案する。 提案したNNBDモデルをマイクログリッドデイアヘッドスケジューリング(MDS)に組み込む場合、等価なバッテリー劣化コストを正確に考慮できるバッテリ劣化ベースMDS(BDMDS)モデルを作成することができる。 提案したNNBDモデルは非常に非線形かつ非凸であるため、BDMDSの解決は非常に困難である。 この問題に対処するために、ニューラルネットワークと最適化デカップリングヒューリスティック(NNODH)アルゴリズムを提案し、このニューラルネットワーク組み込み最適化問題を効果的に解決する。 シミュレーションの結果,nnodhアルゴリズムは,通常の運転コストや電池劣化コストなど,総コストが最小の最適解を抑止できることがわかった。

関連論文リスト

• A Comparison of Baseline Models and a Transformer Network for SOC Prediction in Lithium-Ion Batteries [0.0]
  電池管理システムが充電状態を正確に推定する能力は、この問題を軽減するのに役立つ。 本稿では,SOC推定のためのニューラルネットワークモデルと一般的な回帰モデルを比較した。 BMW i3バッテリの自然運転サイクルから得られたデータを用いて様々な実験を行った結果、決定木は他の全てのモデルよりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2024-10-22T14:27:43Z)
• 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)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
  本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。 関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
  論文  参考訳（メタデータ） (2023-08-22T03:13:57Z)
• NeuralFuse: Learning to Recover the Accuracy of Access-Limited Neural Network Inference in Low-Voltage Regimes [52.51014498593644]
  ディープラーニング(Deep Neural Network, DNN)は、機械学習においてユビキタスになったが、そのエネルギー消費は依然として注目すべき問題である。 我々は、低電圧状態における精度とエネルギーのトレードオフに対処する新しいアドオンモジュールであるNeuralFuseを紹介する。 1%のビットエラー率で、NeuralFuseはメモリアクセスエネルギーを最大24%削減し、精度を最大57%向上させることができる。
  論文  参考訳（メタデータ） (2023-06-29T11:38:22Z)
• A Machine Learning-based Digital Twin for Electric Vehicle Battery Modeling [10.290868910435153]
  電気自動車(EV)は、経年劣化と性能劣化の影響を受ける。 本研究は,実行時のバッテリダイナミックスを正確に反映するように設計されたバッテリディジタルツイン構造を提案する。
  論文  参考訳（メタデータ） (2022-06-16T10:47:41Z)
• 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)
• Attention-based Deep Neural Networks for Battery Discharge Capacity Forecasting [2.8944480776764308]
  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。
  論文  参考訳（メタデータ） (2022-02-14T14:16:25Z)
• Optimal Cycling of a Heterogenous Battery Bank via Reinforcement Learning [5.096724740354125]
  我々は、発電・需要プロセスによって駆動される異種電池ユニットのバンクの最適充電・放電の問題を考える。 バッテリーバンクのバッテリーは、容量、制約、損失、自転車コストなどによって異なる可能性がある。 最適解を学習するための線形関数近似に基づくQ-ラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-15T07:51:48Z)
• 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)
• 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。