論文の概要: Driving behavior-guided battery health monitoring for electric vehicles
using machine learning
- arxiv url: http://arxiv.org/abs/2309.14125v1
- Date: Mon, 25 Sep 2023 13:24:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-26 15:29:21.392290
- Title: Driving behavior-guided battery health monitoring for electric vehicles
using machine learning
- Title(参考訳): 機械学習を用いた電気自動車の運転行動誘導型バッテリー健康モニタリング
- Authors: Nanhua Jiang, Jiawei Zhang, Weiran Jiang, Yao Ren, Jing Lin, Edwin
Khoo, Ziyou Song
- Abstract要約: 信頼性の高いバッテリヘルスモニタリングのための機能ベースの機械学習パイプラインを提案する。
まず,各個人の健康指標(HI)をメカニズム関連解釈でまとめ,分析した。
推定精度と相関分析に基づいて,全ての特徴を慎重に評価・スクリーニングした。
- 参考スコア(独自算出の注目度): 7.6366651125971945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An accurate estimation of the state of health (SOH) of batteries is critical
to ensuring the safe and reliable operation of electric vehicles (EVs).
Feature-based machine learning methods have exhibited enormous potential for
rapidly and precisely monitoring battery health status. However, simultaneously
using various health indicators (HIs) may weaken estimation performance due to
feature redundancy. Furthermore, ignoring real-world driving behaviors can lead
to inaccurate estimation results as some features are rarely accessible in
practical scenarios. To address these issues, we proposed a feature-based
machine learning pipeline for reliable battery health monitoring, enabled by
evaluating the acquisition probability of features under real-world driving
conditions. We first summarized and analyzed various individual HIs with
mechanism-related interpretations, which provide insightful guidance on how
these features relate to battery degradation modes. Moreover, all features were
carefully evaluated and screened based on estimation accuracy and correlation
analysis on three public battery degradation datasets. Finally, the
scenario-based feature fusion and acquisition probability-based practicality
evaluation method construct a useful tool for feature extraction with
consideration of driving behaviors. This work highlights the importance of
balancing the performance and practicality of HIs during the development of
feature-based battery health monitoring algorithms.
- Abstract(参考訳): バッテリーの健康状態(SOH)の正確な推定は、電気自動車(EV)の安全かつ信頼性の高い運転を保証するために重要である。
特徴に基づく機械学習手法は、バッテリーの状態を迅速かつ正確に監視する大きな可能性を秘めている。
しかし、様々な健康指標(HIs)を同時に使用すると、特徴冗長性による推定性能が低下する可能性がある。
さらに、現実の運転行動を無視して推定結果が不正確になる可能性がある。
これらの課題に対処するために,実環境の運転条件下での機能の獲得確率を評価することで,信頼性の高いバッテリヘルスモニタリングを実現する機能ベースの機械学習パイプラインを提案する。
まず, 各種HIを機構関連解釈で要約, 解析し, これらの特徴が電池劣化モードにどのように関係しているかを洞察し, 考察した。
さらに,3つのパブリックバッテリー劣化データセットにおける推定精度と相関解析に基づいて,全ての特徴を慎重に評価,スクリーニングした。
最後に,シナリオに基づく特徴融合と獲得確率に基づく実用性評価手法は,運転行動を考慮した特徴抽出のための有用なツールである。
この研究は、機能ベースのバッテリー健康モニタリングアルゴリズムの開発において、HIの性能と実用性のバランスをとることの重要性を強調している。
関連論文リスト
- Self-consistent Validation for Machine Learning Electronic Structure [81.54661501506185]
機械学習と自己整合フィールド法を統合して,検証コストの低減と解釈可能性の両立を実現する。
これにより、積極的学習によるモデルの能力の探索が可能となり、実際の研究への統合への信頼がもたらされる。
論文 参考訳(メタデータ) (2024-02-15T18:41:35Z) - A Mapping Study of Machine Learning Methods for Remaining Useful Life
Estimation of Lead-Acid Batteries [0.0]
State of Health (SoH) と Remaining Useful Life (RUL) は、バッテリーシステムの予測保守、信頼性、寿命の向上に貢献している。
本稿では,鉛蓄電池のSoHとRULを推定するための機械学習手法における最先端のマッピング研究について述べる。
論文 参考訳(メタデータ) (2023-07-11T10:41:41Z) - Learning battery model parameter dynamics from data with recursive
Gaussian process regression [0.0]
本稿では,データ駆動とモデル駆動を併用したハイブリッド手法を提案する。
具体的には、状態、動作条件、寿命の関数としてモデルパラメータを推定するベイズ的データ駆動手法であるガウス的プロセス回帰を実証する。
その結果, 実測データと実測データの両方において, 電池容量と内部抵抗の正確な推定値, 予測値などの有効性が示された。
論文 参考訳(メタデータ) (2023-04-26T16:40:34Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳(メタデータ) (2022-04-28T07:37:21Z) - Uncertainty-Aware Prediction of Battery Energy Consumption for Hybrid
Electric Vehicles [2.147325264113341]
本稿では,バッテリエネルギー消費をモデル化するための機械学習手法を提案する。
予測の不確実性を低減させることで、この手法は車両の性能に対する信頼を高めるのに役立つ。
従来の手法に比べて,予測の不確実性や精度が向上した。
論文 参考訳(メタデータ) (2022-04-27T10:29:38Z) - 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) - 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) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳(メタデータ) (2021-03-12T17:00:23Z) - Improving Robustness of Learning-based Autonomous Steering Using
Adversarial Images [58.287120077778205]
自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。
感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-26T02:08:07Z) - Machine learning pipeline for battery state of health estimation [3.0238880199349834]
我々は,バッテリ容量のフェードを推定するための機械学習パイプラインの設計と評価を行う。
パイプラインは、2つのパラメトリックおよび2つの非パラメトリックアルゴリズムを用いて、関連する信頼区間で電池SOHを推定する。
高速充電プロトコルの下で動作しているセルにデプロイすると、最良のモデルでは、ルート平均2乗誤差が0.45%に達する。
論文 参考訳(メタデータ) (2021-02-01T13:50:56Z) - Interpretable Off-Policy Evaluation in Reinforcement Learning by
Highlighting Influential Transitions [48.91284724066349]
強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。
信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。
我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
論文 参考訳(メタデータ) (2020-02-10T00:26:43Z)
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。