論文の概要: Transfer Learning-based State of Health Estimation for Lithium-ion
Battery with Cycle Synchronization
- arxiv url: http://arxiv.org/abs/2208.11204v1
- Date: Tue, 23 Aug 2022 21:40:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-25 12:17:54.207915
- Title: Transfer Learning-based State of Health Estimation for Lithium-ion
Battery with Cycle Synchronization
- Title（参考訳）: 移行学習に基づくサイクル同期型リチウムイオン電池の健康評価
- Authors: Kate Qi Zhou, Yan Qin, Chau Yuen
- Abstract要約: バッテリーの健康状態(SOH)を正確に推定することは、バッテリー駆動アプリケーションの予期せぬ失敗を防ぐのに役立ちます。
新たなバッテリのモデルトレーニングにおけるデータ要件の低減という優位性により,トランスファーラーニング(TL)が有望な機械学習アプローチとして出現する。
本稿では、時間的ダイナミクスを利用してTLに基づくSOH推定を解釈し、伝達学習を支援する手法を提案する。
- 参考スコア（独自算出の注目度）: 16.637948430296227
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately estimating a battery's state of health (SOH) helps prevent
battery-powered applications from failing unexpectedly. With the superiority of
reducing the data requirement of model training for new batteries, transfer
learning (TL) emerges as a promising machine learning approach that applies
knowledge learned from a source battery, which has a large amount of data.
However, the determination of whether the source battery model is reasonable
and which part of information can be transferred for SOH estimation are rarely
discussed, despite these being critical components of a successful TL. To
address these challenges, this paper proposes an interpretable TL-based SOH
estimation method by exploiting the temporal dynamic to assist transfer
learning, which consists of three parts. First, with the help of dynamic time
warping, the temporal data from the discharge time series are synchronized,
yielding the warping path of the cycle-synchronized time series responsible for
capacity degradation over cycles. Second, the canonical variates retrieved from
the spatial path of the cycle-synchronized time series are used for
distribution similarity analysis between the source and target batteries.
Third, when the distribution similarity is within the predefined threshold, a
comprehensive target SOH estimation model is constructed by transferring the
common temporal dynamics from the source SOH estimation model and compensating
the errors with a residual model from the target battery. Through a widely-used
open-source benchmark dataset, the estimation error of the proposed method
evaluated by the root mean squared error is as low as 0.0034 resulting in a 77%
accuracy improvement compared with existing methods.
- Abstract（参考訳）: バッテリーの健康状態(SOH)を正確に推定することは、バッテリー駆動アプリケーションの予期せぬ失敗を防ぐのに役立つ。
新たなバッテリのモデルトレーニングにおけるデータ要件の低減という優位性により、トランスファーラーニング(TL)は、大量のデータを持つソースバッテリから学んだ知識を適用する、有望な機械学習アプローチとして出現する。
しかし,これらがTLの重要な構成要素であるにもかかわらず,ソースバッテリモデルが妥当かどうか,SOH推定のために情報の一部を転送できるかどうかの判断はめったに議論されない。
これらの課題に対処するために,3つの部分からなる伝達学習を支援するため,時間的ダイナミクスを利用した解釈可能なTL-based SOH推定法を提案する。
第一に、動的時間ワープの助けを借りて、放電時系列からの時間データを同期させ、サイクル同期時系列のワープパスをサイクルオーバーキャパシティ劣化の原因とする。
次に、サイクル同期時系列の空間経路から取得した正準変量を用いて、ソースとターゲットバッテリの分布類似性解析を行う。
第三に、分布類似性が予め定義された閾値内にある場合、ソースSOH推定モデルから共通時間ダイナミクスを転送し、目標電池から残留モデルで誤差を補償することにより、包括的目標SOH推定モデルを構築する。
広く使われているオープンソースベンチマークデータセットを用いて,ルート平均二乗誤差によって評価された提案手法の推定誤差は0.0034以下であり,既存の手法と比較して77%精度が向上した。
関連論文リスト
- GPT4Battery: An LLM-driven Framework for Adaptive State of Health
Estimation of Raw Li-ion Batteries [20.144140373356194]
健康状態 (SOH) は、直接測定できないが推定を必要とする電池の劣化レベルを評価するための重要な指標である。
本稿では, 多様な電池にまたがる適応型SOH推定のための新しいフレームワークを提案する。
提案手法は,62個のバッテリから収集した4つの広く認識されているデータセットに対して,最先端の精度を実現する。
論文 参考訳（メタデータ） (2024-01-30T14:47:15Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳（メタデータ） (2023-11-02T16:45:25Z) - Debias the Training of Diffusion Models [53.49637348771626]
本研究では,拡散モデルにおいて一定の損失重み戦略を用いることで,トレーニング期間中に偏りが生じるという理論的証拠を提供する。
理論的に偏りのない原理に基づくエレガントで効果的な重み付け戦略を提案する。
これらの分析は、拡散モデルの内部動作の理解とデミステレーションを促進することが期待されている。
論文 参考訳（メタデータ） (2023-10-12T16:04:41Z) - Adapting to Continuous Covariate Shift via Online Density Ratio
Estimation [90.62832273403077]
分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。
我々の目標は、予測者が時間とともに蓄積される予測リスクを最小限に抑えるように、適応的に予測者を訓練することである。
論文 参考訳（メタデータ） (2023-02-06T04:03:33Z) - 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) - A Transferable Multi-stage Model with Cycling Discrepancy Learning for
Lithium-ion Battery State of Health Estimation [18.980782609740082]
電池の完全ライフサイクルの多重劣化パターンは、伝達学習(TL)の追求を困難にしている
移動可能な多段SOH推定モデルを提案し,4段階からなる電池間TLを実現する。
提案手法は,3つのバッテリを用いたラン・ツー・フェイル・ベンチマークにおいて,様々な転送タスクにおける競合アルゴリズムよりも優れる。
論文 参考訳（メタデータ） (2022-09-01T02:59:46Z) - Posterior Coreset Construction with Kernelized Stein Discrepancy for
Model-Based Reinforcement Learning [78.30395044401321]
我々は、強化学習(MBRL)のための新しいモデルベースアプローチを開発する。
ターゲット遷移モデルの仮定を緩和し、混合モデルの一般的な族に属する。
連続的な制御環境では、壁時計の時間を最大50%削減することができる。
論文 参考訳（メタデータ） (2022-06-02T17:27:49Z) - Lithium-ion Battery State of Health Estimation based on Cycle
Synchronization using Dynamic Time Warping [13.19976118887128]
健康状態推定(SOH)は、電池容量の減少による予期せぬ故障を避けるために、電池駆動アプリケーションにおいて重要な役割を担っている。
本稿では、動的時間ワープを用いて、既存の座標系を変更するための革新的なサイクル同期手法を提案する。
提案手法は,時系列の時間情報を活用することで,時間指標と元の測定値を新しい指標に組み込んで,電池劣化状況を反映する。
論文 参考訳（メタデータ） (2021-09-28T02:53:54Z) - 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) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z)
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。