論文の概要: A Comparison of Baseline Models and a Transformer Network for SOC Prediction in Lithium-Ion Batteries

• arxiv url: http://arxiv.org/abs/2410.17049v1
• Date: Tue, 22 Oct 2024 14:27:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:29:27.543166
• Title: A Comparison of Baseline Models and a Transformer Network for SOC Prediction in Lithium-Ion Batteries
• Title（参考訳）: リチウムイオン電池のSOC予測のためのベースラインモデルと変圧器ネットワークの比較
• Authors: Hadeel Aboueidah, Abdulrahman Altahhan,
• Abstract要約: 電池管理システムが充電状態を正確に推定する能力は、この問題を軽減するのに役立つ。 本稿では,SOC推定のためのニューラルネットワークモデルと一般的な回帰モデルを比較した。 BMW i3バッテリの自然運転サイクルから得られたデータを用いて様々な実験を行った結果、決定木は他の全てのモデルよりも優れた結果が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurately predicting the state of charge of Lithium-ion batteries is essential to the performance of battery management systems of electric vehicles. One of the main reasons for the slow global adoption of electric cars is driving range anxiety. The ability of a battery management system to accurately estimate the state of charge can help alleviate this problem. In this paper, a comparison between data-driven state-of-charge estimation methods is conducted. The paper compares different neural network-based models and common regression models for SOC estimation. These models include several ablated transformer networks, a neural network, a lasso regression model, a linear regression model and a decision tree. Results of various experiments conducted on data obtained from natural driving cycles of the BMW i3 battery show that the decision tree outperformed all other models including the more complex transformer network with self-attention and positional encoding.
• Abstract（参考訳）: 電気自動車のバッテリ管理システムの性能には,リチウムイオン電池の充電状態の正確な予測が不可欠である。 電気自動車の普及が鈍化している主な理由の1つは、走行距離の不安だ。 電池管理システムが充電状態を正確に推定する能力は、この問題を軽減するのに役立つ。 本稿では,データ駆動型充電状態推定法の比較を行う。 本稿では,SOC推定のためのニューラルネットワークモデルと一般的な回帰モデルを比較した。 これらのモデルには、いくつかの改善されたトランスフォーマーネットワーク、ニューラルネットワーク、ラッソ回帰モデル、線形回帰モデル、決定木が含まれる。 BMW i3バッテリの自然駆動サイクルから得られたデータを用いて行った様々な実験の結果、決定木は自己注意と位置符号化を備えたより複雑なトランスフォーマーネットワークを含む他のモデルよりも優れていた。

関連論文リスト

• Emergent Agentic Transformer from Chain of Hindsight Experience [96.56164427726203]
  簡単なトランスフォーマーベースモデルが時間差と模倣学習に基づくアプローチの両方と競合することを示す。 単純なトランスフォーマーベースのモデルが時間差と模倣学習ベースのアプローチの両方で競合するのはこれが初めてである。
  論文  参考訳（メタデータ） (2023-05-26T00:43:02Z)
• 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)
• 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)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Microgrid Day-Ahead Scheduling Considering Neural Network based Battery Degradation Model [0.42970700836450487]
  バッテリエネルギー貯蔵システム(BESS)は、再生可能エネルギー発生の不確実性を効果的に軽減することができる。 LiB劣化の主な原因は、Li防止効果の喪失、電解質の喪失、電池内部の劣化である。 本稿では, ニューラルネットワークを用いた電池劣化モデルを提案し, 劣化要因の入力による劣化の定量化を行う。
  論文  参考訳（メタデータ） (2022-02-24T23:24:52Z)
• 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)
• Modified Gaussian Process Regression Models for Cyclic Capacity Prediction of Lithium-ion Batteries [5.663192900261267]
  本稿では,リチウムイオン電池の容量予測のための機械学習によるデータ駆動モデルの開発について述べる。 開発モデルは, 種々のサイクリングパターンを有する酸化ニッケル (MCN) リチウムイオン電池と比較した。
  論文  参考訳（メタデータ） (2020-12-31T19:05:27Z)
• 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)
• Fast, Accurate, and Simple Models for Tabular Data via Augmented Distillation [97.42894942391575]
  本研究では、FAST-DADを用いて、任意の複雑なアンサンブル予測を、高木、無作為林、深層ネットワークなどの個々のモデルに抽出する。 我々の個々の蒸留モデルは、H2O/AutoSklearnのようなAutoMLツールが生成するアンサンブル予測よりも10倍高速で精度が高い。
  論文  参考訳（メタデータ） (2020-06-25T09:57:47Z)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)

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。