論文の概要: Domain knowledge-guided machine learning framework for state of health estimation in Lithium-ion batteries
- arxiv url: http://arxiv.org/abs/2409.14575v1
- Date: Sun, 22 Sep 2024 19:39:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-06 22:08:18.070887
- Title: Domain knowledge-guided machine learning framework for state of health estimation in Lithium-ion batteries
- Title（参考訳）: リチウムイオン電池の健康状態評価のためのドメイン知識誘導機械学習フレームワーク
- Authors: Andrea Lanubile, Pietro Bosoni, Gabriele Pozzato, Anirudh Allam, Matteo Acquarone, Simona Onori,
- Abstract要約: 実際の電気自動車運転からオンラインに抽出できる健康指標を5つ提案する。
提案したインジケータは、電池のエネルギーとパワーフェードに関する物理的な洞察を提供する。
充電プロファイルと実世界の運転条件の一部を計算し、リアルタイムのバッテリー劣化推定を容易にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate estimation of battery state of health is crucial for effective electric vehicle battery management. Here, we propose five health indicators that can be extracted online from real-world electric vehicle operation and develop a machine learning-based method to estimate the battery state of health. The proposed indicators provide physical insights into the energy and power fade of the battery and enable accurate capacity estimation even with partially missing data. Moreover, they can be computed for portions of the charging profile and real-world driving discharging conditions, facilitating real-time battery degradation estimation. The indicators are computed using experimental data from five cells aged under electric vehicle conditions, and a linear regression model is used to estimate the state of health. The results show that models trained with power autocorrelation and energy-based features achieve capacity estimation with maximum absolute percentage error within 1.5% to 2.5% .
- Abstract（参考訳）: 電気自動車のバッテリ管理には,バッテリ状態の正確な推定が不可欠である。
そこで本研究では,現実世界の電気自動車運転からオンラインで抽出できる5つの健康指標を提案し,健康状態を推定する機械学習手法を開発した。
提案するインジケータは,電池のエネルギーと電力消費に関する物理的知見を提供し,一部欠落したデータであっても正確なキャパシティ推定を可能にする。
さらに、充電プロファイルと実世界の運転条件の一部を計算し、リアルタイムのバッテリー劣化推定を容易にする。
この指標は、電気自動車の環境下にある5つのセルの実験データを用いて算出され、健康状態を推定するために線形回帰モデルが用いられる。
その結果、電力自己相関とエネルギーベースの特徴で訓練されたモデルでは、最大絶対パーセンテージ誤差が1.5%から2.5%の範囲でキャパシティ推定が達成された。
関連論文リスト
- Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - Taking Second-life Batteries from Exhausted to Empowered using Experiments, Data Analysis, and Health Estimation [0.0]
電力貯蔵における引退した電気自動車電池の再利用は、環境と経済的利益をもたらす。
本研究は、グリッドストレージに配備された電池の健康モニタリングアルゴリズムに焦点をあてる。
論文 参考訳（メタデータ） (2024-02-29T05:17:36Z) - Driving behavior-guided battery health monitoring for electric vehicles
using machine learning [7.6366651125971945]
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。
論文 参考訳（メタデータ） (2023-09-25T13:24:53Z) - Cerberus: A Deep Learning Hybrid Model for Lithium-Ion Battery Aging
Estimation and Prediction Based on Relaxation Voltage Curves [7.07637687957493]
本稿では,ディープラーニングに基づくキャパシティ老化推定と予測のためのハイブリッドモデルを提案する。
提案手法は, チャージサイクルと放電サイクルを含む新しいデータセットに対して, 様々な速度で検証する。
論文 参考訳（メタデータ） (2023-08-15T15:07:32Z) - Benchmarking missing-values approaches for predictive models on health
databases [47.187609203210705]
我々は、大規模健康データベースに焦点を当てた予測モデルにおいて、不足値戦略のベンチマークを行う。
教師あり機械学習における欠落値に対するネイティブサポートは、計算コストをはるかに少なくして最先端の計算計算よりも優れていると予測できる。
論文 参考訳（メタデータ） (2022-02-17T09:40:04Z) - 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) - 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) - 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) - 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)
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。