論文の概要: GiNet: Integrating Sequential and Context-Aware Learning for Battery Capacity Prediction

• arxiv url: http://arxiv.org/abs/2501.04997v1
• Date: Thu, 09 Jan 2025 06:26:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-10 14:00:18.834603
• Title: GiNet: Integrating Sequential and Context-Aware Learning for Battery Capacity Prediction
• Title（参考訳）: GiNet: バッテリー容量予測のための逐次学習とコンテキスト認識学習の統合
• Authors: Sara Sameer, Wei Zhang, Xin Lou, Qingyu Yan, Terence Goh, Yulin Gao,
• Abstract要約: 本稿では,バッテリ容量を予測するために,ゲート型リカレントユニット拡張InformerネットワークであるGiNetを提案する。 GiNetは、過去のバッテリ容量を知ることなく、将来のタイムスロットのシーケンスでバッテリ容量を予測するために、0.11の平均絶対誤差を達成している。 また、Informerに比べて27%のエラー削減率で、最新のアルゴリズムを著しく上回っている。
• 参考スコア（独自算出の注目度）: 6.289972392749257
• License:
• Abstract: The surging demand for batteries requires advanced battery management systems, where battery capacity modelling is a key functionality. In this paper, we aim to achieve accurate battery capacity prediction by learning from historical measurements of battery dynamics. We propose GiNet, a gated recurrent units enhanced Informer network, for predicting battery's capacity. The novelty and competitiveness of GiNet lies in its capability of capturing sequential and contextual information from raw battery data and reflecting the battery's complex behaviors with both temporal dynamics and long-term dependencies. We conducted an experimental study based on a publicly available dataset to showcase GiNet's strength of gaining a holistic understanding of battery behavior and predicting battery capacity accurately. GiNet achieves 0.11 mean absolute error for predicting the battery capacity in a sequence of future time slots without knowing the historical battery capacity. It also outperforms the latest algorithms significantly with 27% error reduction on average compared to Informer. The promising results highlight the importance of customized and optimized integration of algorithm and battery knowledge and shed light on other industry applications as well.
• Abstract（参考訳）: バッテリー需要の急増は、バッテリー容量モデリングが重要な機能である高度なバッテリー管理システムを必要とする。 本稿では,バッテリダイナミクスの歴史的測定から学ぶことで,バッテリ容量の正確な予測を実現することを目的とする。 本稿では,バッテリ容量を予測するために,ゲート型リカレントユニット拡張InformerネットワークであるGiNetを提案する。 GiNetの新規性と競争性は、生のバッテリーデータから逐次的および文脈的な情報をキャプチャし、時間的ダイナミクスと長期的依存関係の両方でバッテリーの複雑な振る舞いを反映する能力にある。 我々は,公開データセットに基づく実験を行い,ギネットがバッテリーの挙動を総合的に把握し,バッテリ容量を正確に予測するという強みを実証した。 GiNetは、過去のバッテリ容量を知ることなく、将来のタイムスロットのシーケンスでバッテリ容量を予測するために、0.11の平均絶対誤差を達成している。 また、Informerに比べて27%のエラー削減率で、最新のアルゴリズムを著しく上回っている。 有望な結果は、アルゴリズムとバッテリ知識のカスタマイズと最適化の重要性を強調し、他の業界アプリケーションにも光を当てている。

関連論文リスト

• Transformer-based Capacity Prediction for Lithium-ion Batteries with Data Augmentation [0.0]
  リチウムイオン電池は、輸送、電子機器、クリーンエネルギー貯蔵の技術の進歩に欠かせない。 キャパシティを推定する現在の方法は、キー変数の長期的な時間的依存関係を適切に説明できない。 本研究では,電池データにおける長期パターンと短期パターンの両方を考慮した変圧器ベースの電池容量予測モデルを構築した。
  論文  参考訳（メタデータ） (2024-07-22T20:21:40Z)
• BatSort: Enhanced Battery Classification with Transfer Learning for Battery Sorting and Recycling [42.453194049264646]
  バッテリータイプ分類のための機械学習に基づくアプローチを導入し、アプリケーションにおけるデータ不足の問題に対処する。 本研究では,大規模なデータセットに最適化された既存の知識を活用するために移動学習を適用したBatSortを提案する。 実験の結果,BatSortの精度は平均92.1%,最大96.2%であった。
  論文  参考訳（メタデータ） (2024-04-08T18:05:24Z)
• Cycle Life Prediction for Lithium-ion Batteries: Machine Learning and More [0.0]
  電池は複雑な非線形時効を持つ動的システムである。 このチュートリアルは、第一原理、機械学習、ハイブリッドバッテリーモデルの概要から始まる。 機械学習モデルの課題を強調し、ハイブリッドモデリングアプローチにおける物理の組み入れを動機づける。
  論文  参考訳（メタデータ） (2024-04-05T12:05:20Z)
• 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)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• A Dynamic Feedforward Control Strategy for Energy-efficient Building System Operation [59.56144813928478]
  現在の制御戦略と最適化アルゴリズムでは、そのほとんどはリアルタイムフィードバックから情報を受け取ることに依存している。 本稿では,システム制御のためのシステム特性を同時に構築することによる,ダイナミックな事前知識を組み込む,エンジニアフレンドリな制御戦略フレームワークを提案する。 典型的な制御戦略でシステム制御を加熱するケースでテストしたところ、我々のフレームワークは15%の省エネ性を持っていることがわかった。
  論文  参考訳（メタデータ） (2023-01-23T09:07:07Z)
• Enhanced Gaussian Process Dynamical Models with Knowledge Transfer for Long-term Battery Degradation Forecasting [0.9208007322096533]
  電気自動車のバッテリーの寿命や寿命の予測は、決定的かつ困難な問題だ。 多数のアルゴリズムが、バッテリ管理システムが収集したデータから利用できる機能を組み込んでいる。 この制限を克服できる高精度な手法を開発した。
  論文  参考訳（メタデータ） (2022-12-03T12:59:51Z)
• 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)
• 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)

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。