論文の概要: DIICAN: Dual Time-scale State-Coupled Co-estimation of SOC, SOH and RUL
for Lithium-Ion Batteries
- arxiv url: http://arxiv.org/abs/2210.11941v1
- Date: Thu, 20 Oct 2022 14:42:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 16:21:09.748547
- Title: DIICAN: Dual Time-scale State-Coupled Co-estimation of SOC, SOH and RUL
for Lithium-Ion Batteries
- Title（参考訳）: DIICAN:リチウムイオン電池用SOC, SOH, RULの2次元状態結合同時推定
- Authors: Ningbo Cai, Yuwen Qin, Xin Chen, Kai Wu
- Abstract要約: 本稿では,Deep Inter and intra-Cycle Attention Network (DIICAN) という状態結合型協調推定手法を提案する。
DIICAN法はオックスフォード・バッテリ・データセット上で検証される。
- 参考スコア（独自算出の注目度）: 6.930255986517943
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate co-estimations of battery states, such as state-of-charge (SOC),
state-of-health (SOH,) and remaining useful life (RUL), are crucial to the
battery management systems to assure safe and reliable management. Although the
external properties of the battery charge with the aging degree, batteries'
degradation mechanism shares similar evolving patterns. Since batteries are
complicated chemical systems, these states are highly coupled with intricate
electrochemical processes. A state-coupled co-estimation method named Deep
Inter and Intra-Cycle Attention Network (DIICAN) is proposed in this paper to
estimate SOC, SOH, and RUL, which organizes battery measurement data into the
intra-cycle and inter-cycle time scales. And to extract degradation-related
features automatically and adapt to practical working conditions, the
convolutional neural network is applied. The state degradation attention unit
is utilized to extract the battery state evolution pattern and evaluate the
battery degradation degree. To account for the influence of battery aging on
the SOC estimation, the battery degradation-related state is incorporated in
the SOC estimation for capacity calibration. The DIICAN method is validated on
the Oxford battery dataset. The experimental results show that the proposed
method can achieve SOH and RUL co-estimation with high accuracy and effectively
improve SOC estimation accuracy for the whole lifespan.
- Abstract（参考訳）: SOC(State-of-charge)、SOH(State-of-Health)、RUL(Restain useful Life)などのバッテリー状態の正確なコ見積は、安全で信頼性の高い管理を保証するためにバッテリー管理システムにとって不可欠である。
電池充電の外部特性と劣化度は類似しているが、電池劣化機構も同様の進化パターンを持つ。
電池は複雑な化学システムであるため、これらの状態は複雑な電気化学プロセスと強く結びついている。
本稿では,soc,soh,rulの電池測定データをサイクル内およびサイクル間タイムスケールに整理する,ディープ・インター・イントラサイクル・アテンション・ネットワーク(diican)という状態結合型共同推定法を提案する。
また, 劣化関連特徴を自動的に抽出し, 実用的な作業条件に適応するために, 畳み込みニューラルネットワークを適用した。
状態劣化注意部を利用して、電池状態進化パターンを抽出し、電池劣化度を評価する。
電池の劣化がSOC推定に与える影響を考慮し, 電池劣化関連状態をSOC推定に組み込んだキャパシティキャリブレーションを行った。
DIICAN法はオックスフォードのバッテリーデータセット上で検証される。
実験の結果,提案手法はSOHとRULの同時推定を高精度に達成し,全寿命のSOC推定精度を効果的に向上できることがわかった。
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) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳（メタデータ） (2023-10-24T02:37:49Z) - Cerberus: A Deep Learning Hybrid Model for Lithium-Ion Battery Aging
Estimation and Prediction Based on Relaxation Voltage Curves [7.07637687957493]
本稿では,ディープラーニングに基づくキャパシティ老化推定と予測のためのハイブリッドモデルを提案する。
提案手法は, チャージサイクルと放電サイクルを含む新しいデータセットに対して, 様々な速度で検証する。
論文 参考訳（メタデータ） (2023-08-15T15:07:32Z) - 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) - A Self-attention Knowledge Domain Adaptation Network for Commercial
Lithium-ion Batteries State-of-health Estimation under Shallow Cycles [6.248695387884295]
浅いサイクルのSOHを推定するために, 教師なし深層移動学習法を提案する。
提案手法は、2%以内のルート平均二乗誤差を達成し、SOCの異なる範囲での他の移動学習方法より優れる。
論文 参考訳（メタデータ） (2023-04-11T09:28:48Z) - Quality-Based Conditional Processing in Multi-Biometrics: Application to
Sensor Interoperability [63.05238390013457]
2007年のバイオセキュリティ・マルチモーダル・アセスメント・キャンペーンにおいて,ATVS-UAM融合手法を品質ベースで評価し,評価を行った。
我々のアプローチは線形ロジスティック回帰に基づいており、融合したスコアはログライクな比率になる傾向にある。
その結果,提案手法はルールベースの核融合方式よりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-11-24T12:11:22Z) - 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) - 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) - Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。
どちらの手法もエネルギーと基底状態の優れた推定値を提供する。
勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
論文 参考訳（メタデータ） (2020-11-02T19:52:04Z) - 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。