論文の概要: Enhanced Gaussian Process Dynamical Models with Knowledge Transfer for
Long-term Battery Degradation Forecasting
- arxiv url: http://arxiv.org/abs/2212.01609v3
- Date: Fri, 2 Jun 2023 16:38:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-05 20:27:02.547566
- Title: Enhanced Gaussian Process Dynamical Models with Knowledge Transfer for
Long-term Battery Degradation Forecasting
- Title（参考訳）: 長期電池劣化予測のための知識伝達を持つ拡張ガウス過程力学モデル
- Authors: Wei W. Xing, Ziyang Zhang, Akeel A. Shah
- Abstract要約: 電気自動車のバッテリーの寿命や寿命の予測は、決定的かつ困難な問題だ。
多数のアルゴリズムが、バッテリ管理システムが収集したデータから利用できる機能を組み込んでいる。
この制限を克服できる高精度な手法を開発した。
- 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: Predicting the end-of-life or remaining useful life of batteries in electric
vehicles is a critical and challenging problem, predominantly approached in
recent years using machine learning to predict the evolution of the
state-of-health during repeated cycling. To improve the accuracy of predictive
estimates, especially early in the battery lifetime, a number of algorithms
have incorporated features that are available from data collected by battery
management systems. Unless multiple battery data sets are used for a direct
prediction of the end-of-life, which is useful for ball-park estimates, such an
approach is infeasible since the features are not known for future cycles. In
this paper, we develop a highly-accurate method that can overcome this
limitation, by using a modified Gaussian process dynamical model (GPDM). We
introduce a kernelised version of GPDM for a more expressive covariance
structure between both the observable and latent coordinates. We combine the
approach with transfer learning to track the future state-of-health up to
end-of-life. The method can incorporate features as different physical
observables, without requiring their values beyond the time up to which data is
available. Transfer learning is used to improve learning of the hyperparameters
using data from similar batteries. The accuracy and superiority of the approach
over modern benchmarks algorithms including a Gaussian process model and deep
convolutional and recurrent networks are demonstrated on three data sets,
particularly at the early stages of the battery lifetime.
- Abstract（参考訳）: 電気自動車のバッテリーの寿命や寿命の予測は重要かつ困難な問題であり、最近では機械学習を用いて繰り返しサイクリング中の健康状態の進化を予測するために主にアプローチしている。
特にバッテリ寿命の早い段階で、予測推定の精度を向上させるために、多くのアルゴリズムがバッテリ管理システムが収集したデータから利用できる機能を組み込んでいる。
複数のバッテリデータセットが、ボールパーク推定に有用な、寿命の終わりの直接予測に使われない限り、このようなアプローチは、将来のサイクルでは分かっていないため、実現不可能である。
本稿では,ガウス過程力学モデル(GPDM)を用いて,この制限を克服できる高精度な手法を開発する。
観測可能座標と潜在座標の間のより表現力のある共分散構造に対するGPDMのカーネル化版を導入する。
我々は、このアプローチとトランスファー学習を組み合わせることで、健康状態から終末期までを追跡する。
このメソッドは、データを利用できるまでの時間以上の値を必要とせずに、異なる物理オブザーバブルとして機能を組み込むことができる。
転送学習は、同様の電池のデータを用いてハイパーパラメータの学習を改善するために使用される。
ガウス過程モデルや深い畳み込みおよび再帰的ネットワークを含む現代のベンチマークアルゴリズムに対するアプローチの精度と優位性は、3つのデータセット、特にバッテリー寿命の初期段階で実証されている。
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。