論文の概要: CyFormer: Accurate State-of-Health Prediction of Lithium-Ion Batteries
via Cyclic Attention
- arxiv url: http://arxiv.org/abs/2304.08502v1
- Date: Mon, 17 Apr 2023 02:16:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 17:01:26.146049
- Title: CyFormer: Accurate State-of-Health Prediction of Lithium-Ion Batteries
via Cyclic Attention
- Title（参考訳）: CyFormer: サイクルアテンションによるリチウムイオン電池の正確な状態予測
- Authors: Zhiqiang Nie, Jiankun Zhao, Qicheng Li, Yong Qin
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.4542411354617986
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Predicting the State-of-Health (SoH) of lithium-ion batteries is a
fundamental task of battery management systems on electric vehicles. It aims at
estimating future SoH based on historical aging data. Most existing deep
learning methods rely on filter-based feature extractors (e.g., CNN or Kalman
filters) and recurrent time sequence models. Though efficient, they generally
ignore cyclic features and the domain gap between training and testing
batteries. To address this problem, we present CyFormer, a transformer-based
cyclic time sequence model for SoH prediction. Instead of the conventional
CNN-RNN structure, we adopt an encoder-decoder architecture. In the encoder,
row-wise and column-wise attention blocks effectively capture intra-cycle and
inter-cycle connections and extract cyclic features. In the decoder, the SoH
queries cross-attend to these features to form the final predictions. We
further utilize a transfer learning strategy to narrow the domain gap between
the training and testing set. To be specific, we use fine-tuning to shift the
model to a target working condition. Finally, we made our model more efficient
by pruning. The experiment shows that our method attains an MAE of 0.75\% with
only 10\% data for fine-tuning on a testing battery, surpassing prior methods
by a large margin. Effective and robust, our method provides a potential
solution for all cyclic time sequence prediction tasks.
- Abstract（参考訳）: リチウムイオン電池の健康状態(SoH)を予測することは、電気自動車のバッテリー管理システムの基本課題である。
過去の高齢化データに基づいて将来のSoHを推定することを目的としている。
既存のディープラーニング手法のほとんどは、フィルタベースの特徴抽出器(cnnやカルマンフィルタなど)とリカレント時系列モデルに依存している。
効率的ではあるが、それらは概して循環的な特徴や、トレーニングとテストバッテリーのドメインギャップを無視している。
そこで本研究では, 変圧器を用いた周期時間列モデルであるCyFormerを提案する。
従来のCNN-RNN構造の代わりにエンコーダ・デコーダアーキテクチャを採用する。
エンコーダでは、列方向および列方向の注意ブロックが、サイクル内およびサイクル間接続を効果的に捕捉し、循環的特徴を抽出する。
デコーダでは、SoHがこれらの機能にクロスアタッチして最終的な予測を形成する。
さらに、トレーニングセットとテストセットの間のドメイン間ギャップを狭めるために、転校学習戦略も活用する。
具体的には、微調整を用いて、モデルを目標の作業条件にシフトする。
最後に, プルーニングによりモデルをより効率的にした。
実験の結果,試験電池の精細調整のためのデータはわずか10\%で0.75\%のmaeを達成し,従来の方法を大きく上回った。
本手法は,全周期時間列予測タスクに対する潜在的解決策を提供する。
関連論文リスト
- Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。
提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。
ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
論文 参考訳（メタデータ） (2024-09-12T11:50:06Z) - Finding Transformer Circuits with Edge Pruning [71.12127707678961]
自動回路発見の効率的かつスケーラブルなソリューションとしてエッジプルーニングを提案する。
本手法は,従来の手法に比べてエッジ数の半分未満のGPT-2の回路を探索する。
その効率のおかげで、Edge PruningをCodeLlama-13Bにスケールしました。
論文 参考訳（メタデータ） (2024-06-24T16:40:54Z) - PreRoutGNN for Timing Prediction with Order Preserving Partition: Global
Circuit Pre-training, Local Delay Learning and Attentional Cell Modeling [84.34811206119619]
本稿では,事前のタイミング予測に対する2段階のアプローチを提案する。
まず、回路網リストからグローバルグラフ埋め込みを学習するグラフオートエンコーダを事前学習するためのグローバル回路トレーニングを提案する。
第2に、GCN上のメッセージパッシングのための新しいノード更新方式を、学習したグラフ埋め込みと回路グラフのトポロジ的ソートシーケンスに従って使用する。
21個の実世界の回路の実験では、スラック予測のための新しいSOTA R2が0.93で達成され、以前のSOTA法では0.59をはるかに上回っている。
論文 参考訳（メタデータ） (2024-02-27T02:23:07Z) - Enhanced Gaussian Process Dynamical Models with Knowledge Transfer for
Long-term Battery Degradation Forecasting [0.9208007322096533]
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。
論文 参考訳（メタデータ） (2022-12-03T12:59:51Z) - Transfer Learning and Vision Transformer based State-of-Health
prediction of Lithium-Ion Batteries [1.2468700211588883]
健康状態(SOH)の正確な予測は、電池寿命に対するユーザの不安を緩和するだけでなく、バッテリーの管理に重要な情報を提供する。
本稿では,視覚変換器(ViT)モデルに基づくSOHの予測手法を提案する。
論文 参考訳（メタデータ） (2022-09-07T16:54:15Z) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳（メタデータ） (2022-03-29T21:18:47Z) - Data Driven Prediction of Battery Cycle Life Before Capacity Degradation [0.0]
本稿では,Kristen A. Seversonらが実施したデータと手法を用いて,研究チームが使用した方法論を探索する。
基本的な取り組みは、機械学習技術が、バッテリー容量を正確に予測するために、早期ライフサイクルデータを使用するように訓練されているかどうかを確認することである。
論文 参考訳（メタデータ） (2021-10-19T01:35:12Z) - 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) - 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) - Superiority of Simplicity: A Lightweight Model for Network Device
Workload Prediction [58.98112070128482]
本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。
ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。
利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
論文 参考訳（メタデータ） (2020-07-07T15:44:16Z) - 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)
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。