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
- 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) - Dynaformer: A Deep Learning Model for Ageing-aware Battery Discharge
Prediction [2.670887944566458]
本稿では,少数の電圧/電流サンプルから同時に老化状態を推定できるトランスフォーマーに基づく新しいディープラーニングアーキテクチャを提案する。
実験の結果, 学習モデルは様々な複雑さの入力電流分布に有効であり, 広範囲の劣化レベルに対して堅牢であることがわかった。
論文 参考訳(メタデータ) (2022-06-01T15:31:06Z) - Learning to be a Statistician: Learned Estimator for Number of Distinct
Values [54.629042119819744]
列内の異なる値の数(NDV)を推定することは、データベースシステムにおける多くのタスクに有用である。
本研究では、ランダム(オンライン/オフライン)サンプルから正確なNDV推定を導出する方法に焦点を当てる。
教師付き学習フレームワークにおいて,NDV推定タスクを定式化し,モデルを推定対象として学習することを提案する。
論文 参考訳(メタデータ) (2022-02-06T15:42:04Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-10-18T14:43:50Z) - 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) - A Dynamic Battery State-of-Health Forecasting Model for Electric Trucks:
Li-Ion Batteries Case-Study [1.1470070927586016]
本稿では, 電動トラックにおけるLiイオン電池の機械学習による健康状態(SoH)の予後について検討する。
バッテリーSoHを予測するための自動回帰型統合モデリング平均(ARIMA)と教師付き学習(決定木をベース見積もりとして袋詰め)を提案します。
論文 参考訳(メタデータ) (2021-03-30T12:19:21Z) - Modified Gaussian Process Regression Models for Cyclic Capacity
Prediction of Lithium-ion Batteries [5.663192900261267]
本稿では,リチウムイオン電池の容量予測のための機械学習によるデータ駆動モデルの開発について述べる。
開発モデルは, 種々のサイクリングパターンを有する酸化ニッケル (MCN) リチウムイオン電池と比較した。
論文 参考訳(メタデータ) (2020-12-31T19:05:27Z) - 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。