論文の概要: Battery Cloud with Advanced Algorithms
- arxiv url: http://arxiv.org/abs/2203.03737v1
- Date: Mon, 7 Mar 2022 21:56:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-10 04:38:47.237167
- Title: Battery Cloud with Advanced Algorithms
- Title（参考訳）: 高度なアルゴリズムを備えたバッテリクラウド
- Authors: Xiaojun Li, David Jauernig, Mengzhu Gao, Trevor Jones
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.7205106391379026
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: A Battery Cloud or cloud battery management system leverages the cloud
computational power and data storage to improve battery safety, performance,
and economy. This work will present the Battery Cloud that collects measured
battery data from electric vehicles and energy storage systems. Advanced
algorithms are applied to improve battery performance. Using remote vehicle
data, we train and validate an artificial neural network to estimate pack SOC
during vehicle charging. The strategy is then tested on vehicles. Furthermore,
high accuracy and onboard battery state of health estimation methods for
electric vehicles are developed based on the differential voltage (DVA) and
incremental capacity analysis (ICA). Using cycling data from battery cells at
various temperatures, we extract the charging cycles and calculate the DVA and
ICA curves, from which multiple features are extracted, analyzed, and
eventually used to estimate the state of health. For battery safety, a
data-driven thermal anomaly detection method is developed. The method can
detect unforeseen anomalies such as thermal runaways at the very early stage.
With the further development of the internet of things, more and more battery
data will be available. Potential applications of battery cloud also include
areas such as battery manufacture, recycling, and electric vehicle battery
swap.
- Abstract（参考訳）: 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。
バッテリー性能を向上させるために高度なアルゴリズムが適用される。
遠隔車両データを用いて、車載充電中にパックsocを推定する人工ニューラルネットワークを訓練し、検証する。
戦略は車両上でテストされる。
さらに、差電圧(DVA)とインクリメンタルキャパシティ分析(ICA)に基づいて、電気自動車の健康評価手法の高精度・オンボードバッテリ状態を開発した。
電池セルからの様々な温度でのサイクリングデータを用いて、充電サイクルを抽出し、DVAおよびICA曲線を計算し、そこから複数の特徴を抽出し、分析し、最終的に健康状態を推定する。
電池安全性のためにデータ駆動熱異常検出法を開発した。
この方法は、初期段階で熱流出などの予期せぬ異常を検出することができる。
物のインターネットのさらなる発展により、ますます多くのバッテリーデータが利用できるようになる。
バッテリクラウドの潜在的な用途には、バッテリ製造、リサイクル、電気自動車のバッテリ交換などが含まれる。
関連論文リスト
- Energy-Aware Federated Learning in Satellite Constellations [36.41848652214018]
衛星コンステレーションにおけるフェデレーション学習は、グローバルに接続されたインテリジェンスを実現するための有望な技術である。
この計算集約的なタスクに必要なエネルギーは、太陽パネルまたは衛星が地球の影にある場合の内部バッテリーによって提供される。
コンバージェンス速度に影響を与えることなく、バッテリ使用量を最小限に抑えることを目的とした、衛星FLのための新しいエネルギー対応計算時間スケジューラを提案する。
論文 参考訳（メタデータ） (2024-09-23T09:01:17Z) - 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) - Facilitating Battery Swapping Services for Freight Trucks with Spatial-Temporal Demand Prediction [30.745797708291864]
本稿では,大型トラックにおけるバッテリスワッピングサービスの可能性と有効性について検討する。
特に,バッテリスワッピングサービスの初期段階は移動式バッテリスワッピングステーションが好まれるが,システムが成熟するにつれて固定配置ステーションが好まれる。
論文 参考訳（メタデータ） (2023-10-01T19:21:58Z) - 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) - 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) - Data Driven Prediction of Battery Cycle Life Before Capacity Degradation [0.0]
本稿では,Kristen A. Seversonらが実施したデータと手法を用いて,研究チームが使用した方法論を探索する。
基本的な取り組みは、機械学習技術が、バッテリー容量を正確に予測するために、早期ライフサイクルデータを使用するように訓練されているかどうかを確認することである。
論文 参考訳（メタデータ） (2021-10-19T01:35:12Z) - Overcoming limited battery data challenges: A coupled neural network
approach [0.0]
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。
論文 参考訳（メタデータ） (2021-10-05T16:17:19Z) - 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。