論文の概要: Remaining Useful Life Prediction of Lithium-ion Batteries using
Spatio-temporal Multimodal Attention Networks
- arxiv url: http://arxiv.org/abs/2310.18924v1
- Date: Sun, 29 Oct 2023 07:32:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 15:43:14.477838
- Title: Remaining Useful Life Prediction of Lithium-ion Batteries using
Spatio-temporal Multimodal Attention Networks
- Title(参考訳): 時空間マルチモーダルアテンションネットワークを用いたリチウムイオン電池の寿命予測
- Authors: Sungho Suh, Dhruv Aditya Mittal, Hymalai Bello, Bo Zhou, Mayank
Shekhar Jha, Paul Lukowicz
- Abstract要約: 本稿では,マルチモーダル時間アテンションネットワーク(ST-MAN)を用いたリチウムイオン電池の2段階余寿命予測手法を提案する。
提案モデルは、利用可能なデータに基づいて、電池が有用寿命の終了に要するサイクル数を反復的に予測するように設計されている。
実験結果から,提案したST-MANモデルは既存のCNNおよびLSTMに基づく手法よりも優れていた。
- 参考スコア(独自算出の注目度): 4.503003860563811
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lithium-ion batteries are widely used in various applications, including
electric vehicles and renewable energy storage. The prediction of the remaining
useful life (RUL) of batteries is crucial for ensuring reliable and efficient
operation, as well as reducing maintenance costs. However, determining the life
cycle of batteries in real-world scenarios is challenging, and existing methods
have limitations in predicting the number of cycles iteratively. In addition,
existing works often oversimplify the datasets, neglecting important features
of the batteries such as temperature, internal resistance, and material type.
To address these limitations, this paper proposes a two-stage remaining useful
life prediction scheme for Lithium-ion batteries using a spatio-temporal
multimodal attention network (ST-MAN). The proposed model is designed to
iteratively predict the number of cycles required for the battery to reach the
end of its useful life, based on available data. The proposed ST-MAN is to
capture the complex spatio-temporal dependencies in the battery data, including
the features that are often neglected in existing works. Experimental results
demonstrate that the proposed ST-MAN model outperforms existing CNN and
LSTM-based methods, achieving state-of-the-art performance in predicting the
remaining useful life of Li-ion batteries. The proposed method has the
potential to improve the reliability and efficiency of battery operations and
is applicable in various industries, including automotive and renewable energy.
- Abstract(参考訳): リチウムイオン電池は電気自動車や再生可能エネルギー貯蔵など様々な用途で広く使われている。
電池の持続寿命(rul)の予測は、信頼性と効率の確保とメンテナンスコストの低減に不可欠である。
しかし, 現実シナリオにおける電池のライフサイクル決定は困難であり, 既存手法ではサイクル数を反復的に予測する限界がある。
加えて、既存の研究はしばしばデータセットを単純化し、温度、内部抵抗、材料タイプといったバッテリーの重要な特徴を無視している。
そこで本稿では, 時空間的マルチモーダルアテンションネットワーク(st-man)を用いたリチウムイオン電池の2段階の寿命予測手法を提案する。
提案モデルは、利用可能なデータに基づいて、電池が有用寿命の終了に要するサイクル数を反復的に予測するように設計されている。
提案したST-MANは、既存の作業でしばしば無視される機能を含む、バッテリデータの複雑な時空間依存性をキャプチャする。
実験結果から,提案したST-MANモデルは既存のCNN法やLSTM法よりも優れており,Liイオン電池の寿命を予測できることがわかった。
提案手法は, 自動車や再生可能エネルギーを含む各種産業に適用可能な, 電池運転の信頼性と効率を向上させる可能性を有する。
関連論文リスト
- Prognosis of Multivariate Battery State of Performance and Health via
Transformers [0.0]
バッテリー性能と「使い勝手」を設計・使用の機能として理解することが最重要事項である。
健康記述子の28個のバッテリ状態を予測するために, ディープ・トランスフォーマー・ネットワーク経由で, その方向への第一歩を提示する。
論文 参考訳(メタデータ) (2023-09-18T15:04:40Z) - 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) - Toward High-Performance Energy and Power Battery Cells with Machine
Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。
本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。
以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
論文 参考訳(メタデータ) (2023-07-07T13:48:50Z) - Estimation of Remaining Useful Life and SOH of Lithium Ion Batteries
(For EV Vehicles) [0.0]
本稿では,リチウムイオン電池の寿命を推定するための既存手法について概説する。
リチウムイオン電池の寿命を正確に予測するための機械学習技術に基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2023-05-17T15:35:31Z) - Validation Methods for Energy Time Series Scenarios from Deep Generative
Models [55.41644538483948]
一般的なシナリオ生成アプローチでは、データ分散に関する前提なしにシナリオを生成するディープ生成モデル(DGM)を使用する。
エネルギーシナリオ生成文献における現在使われている検証手法の批判的評価を行う。
過去のデータと生成されたデータの両方に4つの検証手法を適用し、検証結果の解釈と、一般的な誤り、落とし穴、検証方法の限界について議論する。
論文 参考訳(メタデータ) (2021-10-27T14:14:25Z) - 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) - Overcoming limited battery data challenges: A coupled neural network
approach [0.0]
深層ニューラルネットワークを用いた時系列バッテリデータ拡張手法を提案する。
あるモデルはバッテリ充電プロファイルを生成し、別のモデルはバッテリ放電プロファイルを生成する。
その結果,バッテリーデータに制限がある場合の問題点を解消するために,本手法の有効性が示された。
論文 参考訳(メタデータ) (2021-10-05T16:17:19Z) - Optimizing a domestic battery and solar photovoltaic system with deep
reinforcement learning [69.68068088508505]
バッテリーと太陽光発電システムのコストの低下は、ソーラーバッテリーの家庭用システムの増加に繋がった。
本研究では,システム内の電池の充電および放電挙動を最適化するために,深い決定論的ポリシーアルゴリズムを用いる。
論文 参考訳(メタデータ) (2021-09-10T10:59:14Z) - 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) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳(メタデータ) (2020-02-20T04:58:07Z)
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。