論文の概要: GPT4Battery: An LLM-driven Framework for Adaptive State of Health
Estimation of Raw Li-ion Batteries
- arxiv url: http://arxiv.org/abs/2402.00068v1
- Date: Tue, 30 Jan 2024 14:47:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 18:17:39.335433
- Title: GPT4Battery: An LLM-driven Framework for Adaptive State of Health
Estimation of Raw Li-ion Batteries
- Title(参考訳): gpt4battery: 生liイオン電池の適応状態推定のためのllm駆動フレームワーク
- Authors: Yuyuan Feng, Guosheng Hu, Zhihong Zhang
- Abstract要約: 健康状態 (SOH) は、直接測定できないが推定を必要とする電池の劣化レベルを評価するための重要な指標である。
本稿では, 多様な電池にまたがる適応型SOH推定のための新しいフレームワークを提案する。
提案手法は,62個のバッテリから収集した4つの広く認識されているデータセットに対して,最先端の精度を実現する。
- 参考スコア(独自算出の注目度): 20.144140373356194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: State of health (SOH) is a crucial indicator for assessing the degradation
level of batteries that cannot be measured directly but requires estimation.
Accurate SOH estimation enhances detection, control, and feedback for Li-ion
batteries, allowing for safe and efficient energy management and guiding the
development of new-generation batteries. Despite the significant progress in
data-driven SOH estimation, the time and resource-consuming degradation
experiments for generating lifelong training data pose a challenge in
establishing one large model capable of handling diverse types of Li-ion
batteries, e.g., cross-chemistry, cross-manufacturer, and cross-capacity.
Hence, this paper utilizes the strong generalization capability of large
language model (LLM) to proposes a novel framework for adaptable SOH estimation
across diverse batteries. To match the real scenario where unlabeled data
sequentially arrives in use with distribution shifts, the proposed model is
modified by a test-time training technique to ensure estimation accuracy even
at the battery's end of life. The validation results demonstrate that the
proposed framework achieves state-of-the-art accuracy on four widely recognized
datasets collected from 62 batteries. Furthermore, we analyze the theoretical
challenges of cross-battery estimation and provide a quantitative explanation
of the effectiveness of our method.
- Abstract(参考訳): 健康状態 (SOH) は、直接測定できないが推定を必要とする電池の劣化レベルを評価するための重要な指標である。
正確なSOH推定はLiイオン電池の検出、制御、フィードバックを促進し、安全かつ効率的なエネルギー管理と次世代電池の開発を導く。
データ駆動型SOH推定の大幅な進歩にもかかわらず、生涯のトレーニングデータを生成するための時間とリソースの削減実験は、多種多様なLiイオン電池(例えば、クロスケミカル、クロスマニュファクチャラー、クロスキャパシティ)を扱うことのできる1つの大きなモデルを確立する上で、課題となる。
そこで本稿では,大規模言語モデル(LLM)の強力な一般化機能を活用し,多種多様な電池間でのSOH推定に適応する新しいフレームワークを提案する。
本手法は, 電池寿命の終了時においても, 推定精度を確保するために, 試験時間トレーニング手法により, ラベル付きデータが順次, 分散シフトに適合する実シナリオを修正した。
その結果,62個のバッテリから収集した4つの広く認識されているデータセットに対して,最先端の精度が得られた。
さらに,クロスバタリー推定の理論的課題を分析し,提案手法の有効性を定量的に説明する。
関連論文リスト
- DIICAN: Dual Time-scale State-Coupled Co-estimation of SOC, SOH and RUL
for Lithium-Ion Batteries [6.930255986517943]
本稿では,Deep Inter and intra-Cycle Attention Network (DIICAN) という状態結合型協調推定手法を提案する。
DIICAN法はオックスフォード・バッテリ・データセット上で検証される。
論文 参考訳(メタデータ) (2022-10-20T14:42:20Z) - A Transferable Multi-stage Model with Cycling Discrepancy Learning for
Lithium-ion Battery State of Health Estimation [18.980782609740082]
電池の完全ライフサイクルの多重劣化パターンは、伝達学習(TL)の追求を困難にしている
移動可能な多段SOH推定モデルを提案し,4段階からなる電池間TLを実現する。
提案手法は,3つのバッテリを用いたラン・ツー・フェイル・ベンチマークにおいて,様々な転送タスクにおける競合アルゴリズムよりも優れる。
論文 参考訳(メタデータ) (2022-09-01T02:59:46Z) - Transfer Learning-based State of Health Estimation for Lithium-ion
Battery with Cycle Synchronization [16.637948430296227]
バッテリーの健康状態(SOH)を正確に推定することは、バッテリー駆動アプリケーションの予期せぬ失敗を防ぐのに役立ちます。
新たなバッテリのモデルトレーニングにおけるデータ要件の低減という優位性により,トランスファーラーニング(TL)が有望な機械学習アプローチとして出現する。
本稿では、時間的ダイナミクスを利用してTLに基づくSOH推定を解釈し、伝達学習を支援する手法を提案する。
論文 参考訳(メタデータ) (2022-08-23T21:40:40Z) - Dynaformer: A Deep Learning Model for Ageing-aware Battery Discharge
Prediction [2.670887944566458]
本稿では,少数の電圧/電流サンプルから同時に老化状態を推定できるトランスフォーマーに基づく新しいディープラーニングアーキテクチャを提案する。
実験の結果, 学習モデルは様々な複雑さの入力電流分布に有効であり, 広範囲の劣化レベルに対して堅牢であることがわかった。
論文 参考訳(メタデータ) (2022-06-01T15:31:06Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳(メタデータ) (2022-03-03T19:56:24Z) - 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) - 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) - 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) - 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。