論文の概要: Data-Driven Modeling with Experimental Augmentation for the Modulation
Strategy of the Dual-Active-Bridge Converter
- arxiv url: http://arxiv.org/abs/2307.16173v2
- Date: Thu, 3 Aug 2023 01:29:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-04 11:17:05.136065
- Title: Data-Driven Modeling with Experimental Augmentation for the Modulation
Strategy of the Dual-Active-Bridge Converter
- Title（参考訳）: デュアルアクティブブリッジコンバータの変調戦略のための実験的拡張によるデータ駆動モデリング
- Authors: Xinze Li, Josep Pou, Jiaxin Dong, Fanfan Lin, Changyun Wen, Suvajit
Mukherjee, Xin Zhang
- Abstract要約: 本稿では、電力変換器モデルのための実験拡張(D2EA)を用いた新しいデータ駆動モデリングを提案する。
D2EAでは、シミュレーションデータは基本的な機能的景観を確立することを目的としており、実験データは実世界の実際のパフォーマンスのマッチングに焦点を当てている。
提案したD2EAアプローチは、99.92%の効率モデリング精度を実現し、2kWのハードウェア実験において、その実現可能性を完全に検証している。
- 参考スコア（独自算出の注目度）: 8.602361928123244
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: For the performance modeling of power converters, the mainstream approaches
are essentially knowledge-based, suffering from heavy manpower burden and low
modeling accuracy. Recent emerging data-driven techniques greatly relieve human
reliance by automatic modeling from simulation data. However, model discrepancy
may occur due to unmodeled parasitics, deficient thermal and magnetic models,
unpredictable ambient conditions, etc. These inaccurate data-driven models
based on pure simulation cannot represent the practical performance in physical
world, hindering their applications in power converter modeling. To alleviate
model discrepancy and improve accuracy in practice, this paper proposes a novel
data-driven modeling with experimental augmentation (D2EA), leveraging both
simulation data and experimental data. In D2EA, simulation data aims to
establish basic functional landscape, and experimental data focuses on matching
actual performance in real world. The D2EA approach is instantiated for the
efficiency optimization of a hybrid modulation for neutral-point-clamped
dual-active-bridge (NPC-DAB) converter. The proposed D2EA approach realizes
99.92% efficiency modeling accuracy, and its feasibility is comprehensively
validated in 2-kW hardware experiments, where the peak efficiency of 98.45% is
attained. Overall, D2EA is data-light and can achieve highly accurate and
highly practical data-driven models in one shot, and it is scalable to other
applications, effortlessly.
- Abstract（参考訳）: 電力変換器の性能モデリングでは、メインストリームのアプローチは基本的に知識ベースであり、マンパワーの重荷とモデリング精度の低下に苦しんでいる。
最近の新しいデータ駆動技術は、シミュレーションデータからの自動モデリングによって人間の依存を大幅に軽減している。
しかし、モデルの違いは、未モデル化の寄生虫、欠陥のある熱・磁気モデル、予測不可能な環境条件などによって生じる可能性がある。
純粋なシミュレーションに基づくこれらの不正確なデータ駆動モデルは、物理世界の実用的な性能を表現できず、パワーコンバータモデリングにおけるそれらの応用を妨げる。
そこで本研究では,実験データとシミュレーションデータの両方を活用する,実験拡張(D2EA)を用いた新しいデータ駆動モデリングを提案する。
D2EAでは、シミュレーションデータは基本的な機能的景観を確立することを目的としており、実験データは実世界の実際のパフォーマンスのマッチングに焦点を当てている。
ニュートラルポイントクランプ型デュアルアクティブブリッジ(NPC-DAB)コンバータのハイブリッド変調の効率最適化のためにD2EA方式をインスタンス化する。
提案したD2EAアプローチは、99.92%の効率モデリング精度を実現し、2kWハードウェア実験において、98.45%のピーク効率が達成された。
全体として、d2eaはデータ軽量であり、一目で見れば精度が高く、非常に実用的なデータ駆動モデルを実現できます。
関連論文リスト
- Combining Physics-based and Data-driven Modeling for Building Energy Systems [5.437298646956505]
建築エネルギーモデリングは、建築エネルギーシステムの運用を最適化する上で重要な役割を担っている。
研究者たちは物理ベースのモデルとデータ駆動モデルとハイブリッドなアプローチを組み合わせている。
実世界のケーススタディを通じて、エネルギーモデリングにおける4つの主要なハイブリッドアプローチを評価した。
論文 参考訳（メタデータ） (2024-11-01T21:56:39Z) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - Fine-Tuning Hybrid Physics-Informed Neural Networks for Vehicle Dynamics Model Estimation [2.432448600920501]
本稿では、教師付きおよび教師なしの物理インフォームドニューラルネットワーク(PINN)を統合したFTHD法を提案する。
FTHDは、より小さなトレーニングデータセットを使用して、事前トレーニングされたDeep Dynamics Model(DDM)を微調整する。
拡張カルマンフィルタ(EKF)はFTHD内に埋め込まれ、ノイズの多い実世界のデータを効果的に管理し、正確な騒音を確実にする。
その結果, パラメータ推定精度は従来のモデルより大幅に向上し, 既存のモデルよりも優れていた。
論文 参考訳（メタデータ） (2024-09-29T10:33:07Z) - QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。
QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。
例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文 参考訳（メタデータ） (2023-11-06T00:21:44Z) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳（メタデータ） (2023-06-09T18:40:55Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - Digital Twin Data Modelling by Randomized Orthogonal Decomposition and Deep Learning [0.0]
デジタルツインは、元のプロセスの振る舞いを反映する主な特徴を持つ代理モデルである。
本稿では,流体の効率的なディジタル双対モデルを作成するための新しい枠組みを提案する。
我々は、最先端の人工知能Deep Learning(DL)を用いて、ディジタルツインモデルのリアルタイム適応キャリブレーションを行う。
論文 参考訳（メタデータ） (2022-06-17T09:45:04Z) - Combining physics-based and data-driven techniques for reliable hybrid
analysis and modeling using the corrective source term approach [0.0]
デジタル双生児、自律型、人工知能システムは正確で解釈可能で、計算効率が高く、一般化可能なモデルを必要とする。
物理に基づくモデリングとデータ駆動モデリングを組み合わせたハイブリッドアプローチが、両方のモデルを上回る結果をもたらすことを示す。
論文 参考訳（メタデータ） (2022-06-07T17:10:58Z) - MoEfication: Conditional Computation of Transformer Models for Efficient
Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。
スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。
そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文 参考訳（メタデータ） (2021-10-05T02:14:38Z) - 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)
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。