論文の概要: A Machine Learning-based Digital Twin for Electric Vehicle Battery Modeling

• arxiv url: http://arxiv.org/abs/2206.08080v1
• Date: Thu, 16 Jun 2022 10:47:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-18 04:40:31.101046
• Title: A Machine Learning-based Digital Twin for Electric Vehicle Battery Modeling
• Title（参考訳）: 電気自動車バッテリモデリングのための機械学習に基づくディジタルツイン
• Authors: Khaled Sidahmed Sidahmed Alamin, Yukai Chen, Enrico Macii, Massimo Poncino, Sara Vinco
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.290868910435153
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widespread adoption of Electric Vehicles (EVs) is limited by their reliance on batteries with presently low energy and power densities compared to liquid fuels and are subject to aging and performance deterioration over time. For this reason, monitoring the battery State Of Charge (SOC) and State Of Health (SOH) during the EV lifetime is a very relevant problem. This work proposes a battery digital twin structure designed to accurately reflect battery dynamics at the run time. To ensure a high degree of correctness concerning non-linear phenomena, the digital twin relies on data-driven models trained on traces of battery evolution over time: a SOH model, repeatedly executed to estimate the degradation of maximum battery capacity, and a SOC model, retrained periodically to reflect the impact of aging. The proposed digital twin structure will be exemplified on a public dataset to motivate its adoption and prove its effectiveness, with high accuracy and inference and retraining times compatible with onboard execution.
• Abstract（参考訳）: 電気自動車(ev)の普及は、現在、液体燃料に比べてエネルギーと電力密度が低い電池に依存しており、経時的に老朽化と性能低下の対象となる。 このため、EV寿命中に電池の充電状態(SOC)と健康状態(SOH)を監視することは、非常に関連する問題である。 本研究は,実行時のバッテリダイナミ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。 非線形現象に関する高い正確性を確保するために、デジタルツインは、時間とともにバッテリーの進化の痕跡に基づいて訓練されたデータ駆動モデル、すなわち、最大バッテリー容量の劣化を推定するために繰り返し実行されるSOHモデルと、老化の影響を定期的に反映したSOCモデルに依存している。 提案されたデジタルツイン構造は、その採用を動機付け、その有効性を証明するための公開データセットで例示され、高い精度と推論と、オンボード実行と互換性のある再トレーニング時間を持つ。

関連論文リスト

• A Scientific Machine Learning Approach for Predicting and Forecasting Battery Degradation in Electric Vehicles [1.393499936476792]
  我々は,Scientific Machine Learningフレームワークを用いて,電池劣化の予測と長期予測を行う新しい手法を提案する。 我々は、予測と予測の両方が実用的な条件を反映していることを保証するために、地中真実データを組み込んだ。 我々のアプローチは、エネルギーシステムの持続可能性に貢献し、よりクリーンで責任あるエネルギーソリューションへの世界的移行を加速させる。
  論文  参考訳（メタデータ） (2024-10-18T09:57:59Z)
• TimeGPT in Load Forecasting: A Large Time Series Model Perspective [38.92798207166188]
  機械学習モデルは、負荷予測に大きな進歩を遂げているが、過去の負荷データが不足している場合に、その予測精度は制限されている。 本稿では,負荷予測における時系列モデルの可能性について考察する。
  論文  参考訳（メタデータ） (2024-04-07T09:05:09Z)
• Federated Reinforcement Learning for Electric Vehicles Charging Control on Distribution Networks [42.04263644600909]
  マルチエージェント深部強化学習(MADRL)はEV充電制御において有効であることが証明されている。 既存のMADRLベースのアプローチでは、配電ネットワークにおけるEV充電/放電の自然な電力フローを考慮できない。 本稿では,マルチEV充電/放電と最適電力流で動作する放射分布ネットワーク(RDN)を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-17T05:34:46Z)
• Digital Twin for Real-time Li-ion Battery State of Health Estimation with Partially Discharged Cycling Data [16.637948430296227]
  リチウムイオン電池(LIB)の健康状態(SOH)推定は劣化特性と密接な関係がある。 提案したディジタルツインソリューションは、リアルタイムなSOH推定を可能にする3つのコアコンポーネントから構成される。 本手法は, サイクル中のサンプリング時間の大半に対して, 誤差が1%未満のリアルタイムSOH推定を行う。
  論文  参考訳（メタデータ） (2022-12-09T01:30:10Z)
• Dynaformer: A Deep Learning Model for Ageing-aware Battery Discharge Prediction [2.670887944566458]
  本稿では,少数の電圧/電流サンプルから同時に老化状態を推定できるトランスフォーマーに基づく新しいディープラーニングアーキテクチャを提案する。 実験の結果, 学習モデルは様々な複雑さの入力電流分布に有効であり, 広範囲の劣化レベルに対して堅牢であることがわかった。
  論文  参考訳（メタデータ） (2022-06-01T15:31:06Z)
• 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)
• 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)
• 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)
• 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。