論文の概要: Battery Degradation Long-term Forecast Using Gaussian Process Dynamical
Models and Knowledge Transfer
- arxiv url: http://arxiv.org/abs/2212.01609v1
- Date: Sat, 3 Dec 2022 12:59:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 18:10:55.728548
- Title: Battery Degradation Long-term Forecast Using Gaussian Process Dynamical
Models and Knowledge Transfer
- Title（参考訳）: ガウス過程力学モデルと知識伝達を用いた電池劣化長期予測
- Authors: Ziyang Zhang, Akeel Shah, Wei W. Xing
- Abstract要約: 電池は現代のエネルギーエコシステムにおいて重要な役割を担い、携帯電話や電気自動車といった日常的な用途で広く利用されている。
本稿では,全電池寿命の共通特性を抽出し,電池の健康状態を正確に予測するための知識伝達手法を提案する。
現代のベンチマーク問題では,提案手法は精度の面で有意な差で最先端の手法よりも優れている。
- 参考スコア（独自算出の注目度）: 0.9208007322096533
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Batteries plays an essential role in modern energy ecosystem and are widely
used in daily applications such as cell phones and electric vehicles. For many
applications, the health status of batteries plays a critical role in the
performance of the system by indicating efficient maintenance and on-time
replacement. Directly modeling an individual battery using a computational
models based on physical rules can be of low-efficiency, in terms of the
difficulties in build such a model and the computational effort of tuning and
running it especially on the edge. With the rapid development of sensor
technology (to provide more insights into the system) and machine learning (to
build capable yet fast model), it is now possible to directly build a
data-riven model of the battery health status using the data collected from
historical battery data (being possibly local and remote) to predict local
battery health status in the future accurately. Nevertheless, most data-driven
methods are trained based on the local battery data and lack the ability to
extract common properties, such as generations and degradation, in the life
span of other remote batteries. In this paper, we utilize a Gaussian process
dynamical model (GPDM) to build a data-driven model of battery health status
and propose a knowledge transfer method to extract common properties in the
life span of all batteries to accurately predict the battery health status with
and without features extracted from the local battery. For modern benchmark
problems, the proposed method outperform the state-of-the-art methods with
significant margins in terms of accuracy and is able to accuracy predict the
regeneration process.
- Abstract（参考訳）: 電池は現代のエネルギーエコシステムにおいて重要な役割を担い、携帯電話や電気自動車といった日常的な用途で広く利用されている。
多くのアプリケーションにとって、バッテリーの健康状態は、効率的なメンテナンスとオンタイム交換を示すことによって、システムの性能に重要な役割を果たす。
物理規則に基づく計算モデルを用いて個々のバッテリーを直接モデル化することは、そのようなモデルを構築するのが困難であり、特にエッジ上でのチューニングと実行の計算労力の観点から、低効率である。
センサー技術(システムに関するさらなる洞察を提供するために)と機械学習(高速なモデルを構築するために)の迅速な開発により、過去のバッテリーデータ(おそらくローカルとリモート)から収集したデータを用いて、バッテリーの健康状態のデータを直接構築し、将来、ローカルなバッテリーの健康状態を正確に予測することが可能になった。
それでも、ほとんどのデータ駆動手法は、ローカルバッテリーデータに基づいてトレーニングされ、他のリモートバッテリーの寿命において、世代や劣化といった共通の特性を抽出する能力が欠如している。
本稿では,GPDM(Gaussian Process Dynamical Model)を用いて,データ駆動型バッテリ状態モデルを構築し,すべてのバッテリ寿命における共通特性を抽出し,バッテリ状態を局所バッテリから抽出した特徴の有無で正確に予測する知識伝達手法を提案する。
現代のベンチマーク問題において,提案手法は,精度の面では最先端手法よりも優れており,再生過程を精度良く予測できる。
関連論文リスト
- Neural Conformal Control for Time Series Forecasting [54.96087475179419]
非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。
提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。
予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
論文 参考訳（メタデータ） (2024-12-24T03:56:25Z) - Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。
この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
論文 参考訳（メタデータ） (2024-11-01T21:11:48Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - Learning battery model parameter dynamics from data with recursive
Gaussian process regression [0.0]
本稿では,データ駆動とモデル駆動を併用したハイブリッド手法を提案する。
具体的には、状態、動作条件、寿命の関数としてモデルパラメータを推定するベイズ的データ駆動手法であるガウス的プロセス回帰を実証する。
その結果, 実測データと実測データの両方において, 電池容量と内部抵抗の正確な推定値, 予測値などの有効性が示された。
論文 参考訳（メタデータ） (2023-04-26T16:40:34Z) - CyFormer: Accurate State-of-Health Prediction of Lithium-Ion Batteries
via Cyclic Attention [1.4542411354617986]
本稿では, 変圧器を用いた健康状態(SoH)予測のための周期時間列モデルを提案する。
本手法では,テストバッテリを微調整するための10%のデータのみを用いて,0.75%のMAEが得られる。
論文 参考訳（メタデータ） (2023-04-17T02:16:40Z) - GAETS: A Graph Autoencoder Time Series Approach Towards Battery
Parameter Estimation [0.0]
リチウムイオン電池は、現在進行中の輸送革命に力を入れている。
電気自動車の走行距離を推定するためには、バッテリーパラメータの正確な推定が不可欠である。
グラフに基づく推定手法により、推定を改善するためにそれらを支える変数を理解することができる。
論文 参考訳（メタデータ） (2021-11-17T16:04:01Z) - Comparing seven methods for state-of-health time series prediction for
the lithium-ion battery packs of forklifts [1.1470070927586016]
本報告では, 健康状態の予測において, 緩やかな回帰を推し進める能力について述べる。
われわれは45個のリチウムイオン電池パックのユニークなデータセットを所有しており、データに大きなバリエーションがある。
論文 参考訳（メタデータ） (2021-07-06T10:52:56Z) - Statistical learning for accurate and interpretable battery lifetime
prediction [1.738360170201861]
バッテリー寿命予測のためのシンプルで正確で解釈可能なデータ駆動モデルを開発した。
我々のアプローチは、新しいデータセットのモデルを迅速にトレーニングし、より高度な機械学習メソッドのパフォーマンスをベンチマークするためにも使用できます。
論文 参考訳（メタデータ） (2021-01-06T06:05:24Z) - Learning to Continuously Optimize Wireless Resource In Episodically
Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。
本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。
我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文 参考訳（メタデータ） (2020-11-16T08:24:34Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳（メタデータ） (2020-02-21T13:48:13Z)
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。