Fugu-MT 論文翻訳(概要): A Novel SOC Estimation for Hybrid Energy Pack using Deep Learning

論文の概要: A Novel SOC Estimation for Hybrid Energy Pack using Deep Learning

arxiv url: http://arxiv.org/abs/2212.12607v1
Date: Fri, 23 Dec 2022 22:48:22 GMT
ステータス: 処理完了
システム内更新日: 2022-12-27 15:45:01.884763
Title: A Novel SOC Estimation for Hybrid Energy Pack using Deep Learning
Title（参考訳）: ディープラーニングを用いたハイブリッドエネルギーパッケージの新しいSOC推定法
Authors: Chigozie Uzochukwu Udeogu
Abstract要約: 本稿では,リチウムイオン電池・スーパーキャパシタHESS EVの深層学習に基づくSOC推定手法を提案する。提案手法により,SOC推定精度は平均91.5%向上し,誤差値は0.1%以下となった。
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: Estimating the state of charge (SOC) of compound energy storage devices in the hybrid energy storage system (HESS) of electric vehicles (EVs) is vital in improving the performance of the EV. The complex and variable charging and discharging current of EVs makes an accurate SOC estimation a challenge. This paper proposes a novel deep learning-based SOC estimation method for lithium-ion battery-supercapacitor HESS EV based on the nonlinear autoregressive with exogenous inputs neural network (NARXNN). The NARXNN is utilized to capture and overcome the complex nonlinear behaviors of lithium-ion batteries and supercapacitors in EVs. The results show that the proposed method improved the SOC estimation accuracy by 91.5% on average with error values below 0.1% and reduced consumption time by 11.4%. Hence validating both the effectiveness and robustness of the proposed method.
Abstract（参考訳）: 電気自動車(EV)のハイブリッドエネルギー貯蔵システム(HESS)における複合エネルギー貯蔵装置の充電状態(SOC)の推定は、EVの性能向上に不可欠である。 EVの複雑で可変な充電および放電電流は、正確なSOC推定を困難にしている。本稿では,非線形自己回帰型外因性入力ニューラルネットワーク(NARXNN)に基づくリチウムイオン電池・スーパーキャパシタHESS EVの深層学習に基づくSOC推定手法を提案する。 NARXNNは、電気自動車のリチウムイオン電池とスーパーキャパシタの複雑な非線形挙動を捉え、克服するために使用される。その結果,SOC推定精度は平均91.5%向上し,誤差値は0.1%以下であり,消費時間を11.4%削減した。したがって,提案手法の有効性とロバスト性を検証した。

関連論文リスト

Improving Low-Fidelity Models of Li-ion Batteries via Hybrid Sparse Identification of Nonlinear Dynamics [1.5728609542259502]
本稿では,低次リチウムイオン電池モデルの忠実度向上のためのデータインスパイアされたアプローチを提案する。提案手法は, 遺伝的アルゴリズムとGA-stridgeとを組み合わせて, 低忠実度モデル (LFM) と高忠実度モデル (HFM) の差分を識別・補償する。物理に基づく手法とデータ駆動方式を組み合わせたハイブリッドモデルは、ベースラインFMと比較して電圧予測誤差を著しく低減できることを示すために、異なる駆動サイクルで試験される。
論文参考訳（メタデータ） (2024-11-20T00:00:11Z)
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 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)
Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian Processes [57.70237375696411]
入力不確実性を伴う潮流方程式をモデル化するために,スパースプロセスとハイブリッドガウスプロセス(GP)フレームワークを用いた高速データ駆動構成を提案する。提案手法の有効性は,複数のIEEEテストケースに対して,最大2倍の高速かつ高精度な解を示す数値的な研究によって主張する。
論文参考訳（メタデータ） (2022-08-30T09:27:59Z)
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)
An Energy Consumption Model for Electrical Vehicle Networks via Extended Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文参考訳（メタデータ） (2021-11-13T15:03:44Z)
Analysis of NARXNN for State of Charge Estimation for Li-ion Batteries on various Drive Cycles [0.0]
State of Charge(SOC)は、EVの範囲を予測するのに役立つメトリクスです。データ駆動アプローチを選択し、外部入力ニューラルネットワーク(NARXNN)を備えた自動回帰ネットワークを探索し、SOCを正確に推定します。モデルは従来の統計的機械学習手法より優れており、1e-5の範囲で平均二乗誤差(MSE)を達成する。
論文参考訳（メタデータ） (2020-12-19T16:11:13Z)
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)
Convolutional Neural Network-Bagged Decision Tree: A hybrid approach to reduce electric vehicle's driver's range anxiety by estimating energy consumption in real-time [9.475039534437332]
畳み込みニューラルネットワーク(CNN)を用いてエネルギー消費量を推定するハイブリッドCNN-BDT手法が開発されている。 BDT (Bagged Decision Tree) は推定値を微調整するために用いられる。既存の手法と比較すると、開発手法は最低で0.14の絶対エネルギー偏差でより良い推定値を提供する。
論文参考訳（メタデータ） (2020-08-31T12:45:15Z)
Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。