論文の概要: LiFe-net: Data-driven Modelling of Time-dependent Temperatures and
Charging Statistics Of Tesla's LiFePo4 EV Battery
- arxiv url: http://arxiv.org/abs/2212.08403v1
- Date: Fri, 16 Dec 2022 10:59:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 16:06:30.226811
- Title: LiFe-net: Data-driven Modelling of Time-dependent Temperatures and
Charging Statistics Of Tesla's LiFePo4 EV Battery
- Title（参考訳）: LiFe-net:TeslaのLiFePo4 EVバッテリーの時間依存温度と充電統計のデータ駆動モデル
- Authors: Jeyhun Rustamov, Luisa Fennert, Nico Hoffmann
- Abstract要約: バッテリーパックの極端な温度は、寿命と出力に影響を与える可能性がある。
電池内部からデータ測定を得ることは困難である。
本稿では,データ駆動型サロゲートモデル(LiFe-net)を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modelling the temperature of Electric Vehicle (EV) batteries is a fundamental
task of EV manufacturing. Extreme temperatures in the battery packs can affect
their longevity and power output. Although theoretical models exist for
describing heat transfer in battery packs, they are computationally expensive
to simulate. Furthermore, it is difficult to acquire data measurements from
within the battery cell. In this work, we propose a data-driven surrogate model
(LiFe-net) that uses readily accessible driving diagnostics for battery
temperature estimation to overcome these limitations. This model incorporates
Neural Operators with a traditional numerical integration scheme to estimate
the temperature evolution. Moreover, we propose two further variations of the
baseline model: LiFe-net trained with a regulariser and LiFe-net trained with
time stability loss. We compared these models in terms of generalization error
on test data. The results showed that LiFe-net trained with time stability loss
outperforms the other two models and can estimate the temperature evolution on
unseen data with a relative error of 2.77 % on average.
- Abstract（参考訳）: 電気自動車(EV)バッテリーの温度をモデル化することは、EV製造の基本課題である。
バッテリーパックの極端な温度は寿命や出力に影響する可能性がある。
電池パック内の熱伝達を記述する理論モデルが存在するが、シミュレーションには計算コストがかかる。
さらに、電池内部からデータ測定を取得することは困難である。
本研究では,データ駆動型サロゲートモデル (LiFe-net) を提案する。
このモデルでは、ニューラル演算子と従来の数値積分スキームを組み込んで温度変化を推定する。
さらに,本モデルでは,正則器で訓練したLiFe-netと時間安定性の低下を訓練したLiFe-netの2つのバリエーションを提案する。
テストデータに対する一般化誤差の観点からこれらのモデルを比較した。
その結果、LiFe-netは時間安定性の低下で訓練され、他の2つのモデルよりも優れており、平均2.77 %の相対誤差で未確認データの温度変化を推定できることがわかった。
関連論文リスト
- Physics-informed Machine Learning for Battery Pack Thermal Management [8.202484782960967]
電池セルを熱ペーストで囲む冷板を上下に配置した21700バッテリパック間接液体冷却システムを開発した。
冷媒流量が高いため、蓄電池が熱源であるのに対し、冷板は一定の温度境界とみなすことができる。
物理インフォームド畳み込みニューラルネットワークは、電池パックの温度分布を推定する代理モデルとして機能した。
論文 参考訳（メタデータ） (2024-11-15T03:23:26Z) - Onboard Health Estimation using Distribution of Relaxation Times for Lithium-ion Batteries [0.0]
健常高齢者5例とサイクリング高齢者17例のインピーダンススペクトロスコピー(EIS)データを用いて,SOH(State-of-Health)推定を行った。
10種類の異なるテストセットでテストすることでモデル性能を検証し、平均 RMSPE は1.69% である。
論文 参考訳（メタデータ） (2024-10-20T04:04:53Z) - Chemical Reaction Neural Networks for Fitting Accelerating Rate Calorimetry Data [37.69303106863453]
化学反応ニューラルネットワーク(CRNN)は、モリセル21700 P45Bから得られたARCデータにN方程式のアレニウスODEの運動パラメータを適合させるために訓練される。
この手法の柔軟性は、2方程式と4方程式のモデルを用いて実験することによって実証される。
論文 参考訳（メタデータ） (2024-08-21T20:39:41Z) - Generating Comprehensive Lithium Battery Charging Data with Generative AI [24.469319419012745]
本研究では、生成AIモデルの条件として、EOL(End of Life)とECL(Equivalent Cycle Life)を紹介する。
CVAEモデルに埋め込み層を組み込むことにより, RCVAE(Refined Conditional Variational Autoencoder)を開発した。
準ビデオ形式にプリプロセッシングすることで、電圧、電流、温度、充電容量を含む電気化学データの総合的な合成を実現する。
この方法は、リチウム電池データの人工合成のための新しい研究領域を開拓する、包括的な電気化学データセットを提供する。
論文 参考訳（メタデータ） (2024-04-11T09:08:45Z) - Is Model Collapse Inevitable? Breaking the Curse of Recursion by Accumulating Real and Synthetic Data [49.73114504515852]
各世代の合成データによって元の実データを置き換えることは、モデル崩壊の傾向にあることを示す。
生成した実データと連続する合成データの蓄積は,モデル崩壊を回避することを実証する。
論文 参考訳（メタデータ） (2024-04-01T18:31:24Z) - Long Horizon Temperature Scaling [90.03310732189543]
LHTS(Long Horizon Temperature Scaling)は、温度スケールの関節分布をサンプリングするための新しい手法である。
温度依存性のLHTS目標を導出し, 温度範囲のモデルを微調整することで, 制御可能な長地平線温度パラメータで生成可能な単一モデルが得られることを示す。
論文 参考訳（メタデータ） (2023-02-07T18:59:32Z) - A Machine Learning-based Digital Twin for Electric Vehicle Battery
Modeling [10.290868910435153]
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。
論文 参考訳（メタデータ） (2022-06-16T10:47:41Z) - 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。