論文の概要: Learning the P2D Model for Lithium-Ion Batteries with SOH Detection
- arxiv url: http://arxiv.org/abs/2502.14147v1
- Date: Wed, 19 Feb 2025 23:17:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-21 14:26:51.675513
- Title: Learning the P2D Model for Lithium-Ion Batteries with SOH Detection
- Title(参考訳): SOH検出によるリチウムイオン電池のP2Dモデル学習
- Authors: Maricela Best McKay, Bhushan Gopaluni, Brian Wetton,
- Abstract要約: 畳み込みニューラルネットワーク(CNN)サロゲートモデルは、ランダムな運転サイクルのクラスからのデータを正確にシミュレートするのに適していることを示す。
我々はCNNがリチウムイオン濃度プロファイルを正確に捉えるのに理想的な選択であることを示した。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Lithium ion batteries are widely used in many applications. Battery management systems control their optimal use and charging and predict when the battery will cease to deliver the required output on a planned duty or driving cycle. Such systems use a simulation of a mathematical model of battery performance. These models can be electrochemical or data-driven. Electrochemical models for batteries running at high currents are mathematically and computationally complex. In this work, we show that a well-regarded electrochemical model, the Pseudo Two Dimensional (P2D) model, can be replaced by a computationally efficient Convolutional Neural Network (CNN) surrogate model fit to accurately simulated data from a class of random driving cycles. We demonstrate that a CNN is an ideal choice for accurately capturing Lithium ion concentration profiles. Additionally, we show how the neural network model can be adjusted to correspond to battery changes in State of Health (SOH).
- Abstract(参考訳): リチウムイオン電池は多くの用途で広く使われている。
バッテリー管理システムは、最適な使用と充電を制御し、バッテリーがいつ計画された義務や運転サイクルで必要な出力を供給できなくなるかを予測する。
このようなシステムは、バッテリ性能の数学的モデルのシミュレーションを使用する。
これらのモデルは電気化学的またはデータ駆動である。
高電流で動作する電池の電気化学モデルは、数学的および計算学的に複雑である。
本研究では, Pseudo Two dimensional (P2D) モデルである電気化学モデルについて, ランダムな運転サイクルのクラスから得られるデータを正確にシミュレーションするために, 計算効率の良い畳み込みニューラルネットワーク (CNN) サロゲートモデルに置き換えることができることを示す。
我々はCNNがリチウムイオン濃度プロファイルを正確に捉えるのに理想的な選択であることを示した。
さらに、ニューラルネットワークモデルが、ステート・オブ・ヘルス(SOH)のバッテリ変化に対応するためにどのように調整できるかを示す。
関連論文リスト
- A Comparison of Baseline Models and a Transformer Network for SOC Prediction in Lithium-Ion Batteries [0.0]
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。
論文 参考訳(メタデータ) (2024-10-22T14:27:43Z) - 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) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳(メタデータ) (2022-06-15T17:29:57Z) - 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) - 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) - 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) - 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) - 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)
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。