論文の概要: Exploring Different Time-series-Transformer (TST) Architectures: A Case
Study in Battery Life Prediction for Electric Vehicles (EVs)
- arxiv url: http://arxiv.org/abs/2308.03260v1
- Date: Mon, 7 Aug 2023 02:42:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 15:31:08.126444
- Title: Exploring Different Time-series-Transformer (TST) Architectures: A Case
Study in Battery Life Prediction for Electric Vehicles (EVs)
- Title（参考訳）: 異なる時系列変換器(TST)アーキテクチャの探索:電気自動車(EV)のバッテリー寿命予測を事例として
- Authors: Niranjan Sitapure, and Atharva Kulkarni
- Abstract要約: 既存のバッテリモデルは、バッテリ性能に影響を与える全てのパラメータを包括的にカバーしていない。
マルチヘッドアテンションと並列化フレンドリなアーキテクチャを活用した時系列変換器(TST)について検討した。
BMW i3(60Ah)における72回の運転旅行からなるデータセットを用いて、EVのバッテリー寿命予測を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, battery technology for electric vehicles (EVs) has been a
major focus, with a significant emphasis on developing new battery materials
and chemistries. However, accurately predicting key battery parameters, such as
state-of-charge (SOC) and temperature, remains a challenge for constructing
advanced battery management systems (BMS). Existing battery models do not
comprehensively cover all parameters affecting battery performance, including
non-battery-related factors like ambient temperature, cabin temperature,
elevation, and regenerative braking during EV operation. Due to the difficulty
of incorporating these auxiliary parameters into traditional models, a
data-driven approach is suggested. Time-series-transformers (TSTs), leveraging
multiheaded attention and parallelization-friendly architecture, are explored
alongside LSTM models. Novel TST architectures, including encoder TST + decoder
LSTM and a hybrid TST-LSTM, are also developed and compared against existing
models. A dataset comprising 72 driving trips in a BMW i3 (60 Ah) is used to
address battery life prediction in EVs, aiming to create accurate TST models
that incorporate environmental, battery, vehicle driving, and heating circuit
data to predict SOC and battery temperature for future time steps.
- Abstract（参考訳）: 近年、電気自動車(ev)のバッテリー技術が注目され、新しい電池材料や化学薬品の開発に重点が置かれている。
しかし、充電状態(SOC)や温度などの重要なバッテリパラメータを正確に予測することは、高度なバッテリ管理システム(BMS)を構築する上での課題である。
既存のバッテリーモデルは、環境温度、キャビン温度、標高、EV運転中の再生ブレーキなど、バッテリー性能に影響を与えるすべてのパラメータを包括的にカバーしていない。
これらの補助パラメータを従来のモデルに組み込むことが困難であるため,データ駆動型アプローチを提案する。
マルチヘッドアテンションと並列化フレンドリなアーキテクチャを活用した時系列変換器(TST)をLSTMモデルと共に検討した。
エンコーダTST+デコーダLSTMとハイブリッドTST-LSTMを含む新しいTSTアーキテクチャも開発され、既存のモデルと比較される。
BMW i3(60Ah)における72回の運転旅行からなるデータセットを使用して、EVのバッテリー寿命予測に対処し、環境、バッテリ、自動車運転、加熱回路データを含む正確なTSTモデルを作成し、将来の時間ステップのSOCとバッテリ温度を予測する。
関連論文リスト
- 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) - BatSort: Enhanced Battery Classification with Transfer Learning for Battery Sorting and Recycling [42.453194049264646]
バッテリータイプ分類のための機械学習に基づくアプローチを導入し、アプリケーションにおけるデータ不足の問題に対処する。
本研究では,大規模なデータセットに最適化された既存の知識を活用するために移動学習を適用したBatSortを提案する。
実験の結果,BatSortの精度は平均92.1%,最大96.2%であった。
論文 参考訳（メタデータ） (2024-04-08T18:05:24Z) - TimeGPT in Load Forecasting: A Large Time Series Model Perspective [38.92798207166188]
機械学習モデルは、負荷予測に大きな進歩を遂げているが、過去の負荷データが不足している場合に、その予測精度は制限されている。
本稿では,負荷予測における時系列モデルの可能性について考察する。
論文 参考訳（メタデータ） (2024-04-07T09:05:09Z) - Transformer Multivariate Forecasting: Less is More? [42.558736426375056]
本稿では,実行効率を最適化しながら予測精度を高めるために冗長な情報を削減することに焦点を当てる。
このフレームワークは、5つの最先端(SOTA)モデルと4つの多様な実世界のデータセットによって評価される。
PCA+Crossformer(PCA+Crossformer)は平均平方誤差(MSE)を33.3%減らし、平均で49.2%減らす。
論文 参考訳（メタデータ） (2023-12-30T13:44:23Z) - A Deep Learning Approach Towards Generating High-fidelity Diverse
Synthetic Battery Datasets [0.0]
高忠実度バッテリデータセットを合成するためのDeep Learningベースの手法をいくつか導入する。
これらの強化された合成データセットは、バッテリー研究者がより良い推定モデルを構築するのに役立つ。
論文 参考訳（メタデータ） (2023-04-09T05:41:21Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z) - 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) - Battery Cloud with Advanced Algorithms [1.7205106391379026]
バッテリクラウドまたはクラウドバッテリ管理システムは、クラウド計算パワーとデータストレージを活用して、バッテリ安全性、パフォーマンス、経済性を改善する。
この研究は、電気自動車やエネルギー貯蔵システムから計測されたバッテリーデータを収集するバッテリクラウドを提示する。
論文 参考訳（メタデータ） (2022-03-07T21:56:17Z) - 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。