論文の概要: Evaluating feasibility of batteries for second-life applications using
machine learning
- arxiv url: http://arxiv.org/abs/2203.04249v2
- Date: Fri, 7 Apr 2023 15:55:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-10 15:40:23.160214
- Title: Evaluating feasibility of batteries for second-life applications using
machine learning
- Title(参考訳): 機械学習による二次利用のための電池の実用性評価
- Authors: Aki Takahashi, Anirudh Allam, Simona Onori
- Abstract要約: 本稿では,引退した電気自動車電池の迅速な評価を可能にするための機械学習技術の組み合わせについて述べる。
提案アルゴリズムは,利用可能なバッテリ電流と簡易な統計値を用いた電圧測定から特徴量を生成する。
相関分析を用いて特徴を選択し、ランク付けし、バッジによって強化されたガウスプロセス回帰を採用する。
- 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: This paper presents a combination of machine learning techniques to enable
prompt evaluation of retired electric vehicle batteries as to either retain
those batteries for a second-life application and extend their operation beyond
the original and first intent or send them to recycle facilities. The proposed
algorithm generates features from available battery current and voltage
measurements with simple statistics, selects and ranks the features using
correlation analysis, and employs Gaussian Process Regression enhanced with
bagging. This approach is validated over publicly available aging datasets of
more than 200 cells with slow and fast charging, with different cathode
chemistries, and for diverse operating conditions. Promising results are
observed based on multiple training-test partitions, wherein the mean of Root
Mean Squared Percent Error and Mean Percent Error performance errors are found
to be less than 1.48% and 1.29%, respectively, in the worst-case scenarios.
- Abstract(参考訳): 本稿では,引退した電気自動車のバッテリーを第2の用途に維持し,当初の意図や第1の意図を超えて動作を延長するか,あるいはリサイクル施設に送るかの早期評価を可能にする機械学習技術の組み合わせについて述べる。
提案アルゴリズムは, 利用可能なバッテリ電流と電圧の測定値から簡易な統計値を用いて特徴値を生成し, 相関解析を用いて特徴量を選択・ランク付けする。
このアプローチは、さまざまなカソード化学薬品とさまざまな運用条件を備えた、200以上のセルで利用可能な老化データセット上で検証される。
有望な結果は、複数のトレーニング-テスト分割に基づいて観察され、最悪のシナリオでは、根平均の2乗誤差と平均誤差の誤差がそれぞれ1.48%未満、1.29%未満であることが分かる。
関連論文リスト
- A Mapping Study of Machine Learning Methods for Remaining Useful Life
Estimation of Lead-Acid Batteries [0.0]
State of Health (SoH) と Remaining Useful Life (RUL) は、バッテリーシステムの予測保守、信頼性、寿命の向上に貢献している。
本稿では,鉛蓄電池のSoHとRULを推定するための機械学習手法における最先端のマッピング研究について述べる。
論文 参考訳(メタデータ) (2023-07-11T10:41:41Z) - Estimation of Remaining Useful Life and SOH of Lithium Ion Batteries
(For EV Vehicles) [0.0]
本稿では,リチウムイオン電池の寿命を推定するための既存手法について概説する。
リチウムイオン電池の寿命を正確に予測するための機械学習技術に基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2023-05-17T15:35:31Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Relational Surrogate Loss Learning [41.61184221367546]
本稿では、評価指標を近似するためにディープニューラルネットワークを用いる代理損失学習を再考する。
本稿では,サロゲート損失と測定値の関係を直接的に維持することを示す。
私たちの方法は最適化がずっと簡単で、大幅な効率と性能向上を享受しています。
論文 参考訳(メタデータ) (2022-02-26T17:32:57Z) - 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) - Dual Training of Energy-Based Models with Overparametrized Shallow
Neural Networks [41.702175127106784]
エネルギーベースモデル(英: Energy-based model、EBM)は、通常最大推定によって訓練される生成モデルである。
本稿では,データセットから引き出されたランダムなサンプルで粒子を再起動するEMMアルゴリズムの2つの定式化を提案し,その再起動が各ステップ毎にスコアに対応することを示す。
これらの結果は単純な数値実験で説明される。
論文 参考訳(メタデータ) (2021-07-11T21:43:18Z) - Accounting for Variance in Machine Learning Benchmarks [37.922783300635864]
ある機械学習アルゴリズムAは、変化の源を越えて学習パイプラインを最適化する複数の試行を理想的に呼び出す。
これは非常に高価であり、コーナーは結論に達するために切断されます。
ベンチマークプロセス全体をモデル化し,データサンプリングによるばらつき,パラメータ初期化,ハイパーパラメータ選択の影響を明らかにした。
計算コストの51倍の削減で,不完全な推定器アプローチにより多くの変動源を加えることにより,理想推定器の精度が向上することを示す。
論文 参考訳(メタデータ) (2021-03-01T22:39:49Z) - Simple statistical models and sequential deep learning for Lithium-ion
batteries degradation under dynamic conditions: Fractional Polynomials vs
Neural Networks [1.8899300124593648]
リチウム イオン電池の長寿そして安全は電池の作動条件の有効な監視そして調節によって促進されます。
バッテリー管理システム上の状態の健康(SoH)監視のための迅速かつ正確なアルゴリズムを実装することが重要です。
本稿では,長期記憶ニューラルネットワークと多変量多項回帰の2つのデータ駆動手法を提案し,比較する。
論文 参考訳(メタデータ) (2021-02-16T12:26:23Z) - 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) - Incremental Learning for End-to-End Automatic Speech Recognition [41.297106772785206]
エンドツーエンド自動音声認識(ASR)のための漸進的学習法を提案する。
本稿では, ASRモデルに対する新しい説明可能性に基づく知識蒸留を設計し, 応答に基づく知識蒸留と組み合わせて, 元のモデルの予測と予測の「理性」を維持する。
多段階連続訓練タスクの結果,提案手法は忘れを緩和する上で,既存の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2020-05-11T08:18:08Z)
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。