論文の概要: Active management of battery degradation in wireless sensor network using deep reinforcement learning for group battery replacement

• arxiv url: http://arxiv.org/abs/2503.15865v2
• Date: Sat, 22 Mar 2025 20:21:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 11:09:57.505324
• Title: Active management of battery degradation in wireless sensor network using deep reinforcement learning for group battery replacement
• Title（参考訳）: グループ電池交換のための深部強化学習を用いた無線センサネットワークにおける電池劣化のアクティブ管理
• Authors: Jong-Hyun Jeong, Hongki Jo, Qiang Zhou, Tahsin Afroz Hoque Nishat, Lang Wu,
• Abstract要約: 無線センサネットワーク(WSN)は、構造健康モニタリング(SHM)のための有望なソリューションとなっている バッテリー駆動のWSNは有線システムに対して様々な利点があるが、バッテリー寿命の制限は常にWSNの実用化における最大の障害の1つだ。 本研究では,WSNのデューティサイクルをシステムレベルで最適化することにより,アクティブな電池劣化管理のための深層強化学習(DRL)手法について検討する。
• 参考スコア（独自算出の注目度）: 4.469172054222021
• License:
• Abstract: Wireless sensor networks (WSNs) have become a promising solution for structural health monitoring (SHM), especially in hard-to-reach or remote locations. Battery-powered WSNs offer various advantages over wired systems, however limited battery life has always been one of the biggest obstacles in practical use of the WSNs, regardless of energy harvesting methods. While various methods have been studied for battery health management, existing methods exclusively aim to extend lifetime of individual batteries, lacking a system level view. A consequence of applying such methods is that batteries in a WSN tend to fail at different times, posing significant difficulty on planning and scheduling of battery replacement trip. This study investigate a deep reinforcement learning (DRL) method for active battery degradation management by optimizing duty cycle of WSNs at the system level. This active management strategy effectively reduces earlier failure of battery individuals which enable group replacement without sacrificing WSN performances. A simulated environment based on a real-world WSN setup was developed to train a DRL agent and learn optimal duty cycle strategies. The performance of the strategy was validated in a long-term setup with various network sizes, demonstrating its efficiency and scalability.
• Abstract（参考訳）: 無線センサネットワーク(WSN)は、特に難易度や遠隔地において、構造的健康モニタリング(SHM)のための有望なソリューションとなっている。 電池駆動のWSNは、有線システムに対して様々な利点があるが、電力回収方法にかかわらず、バッテリー寿命の制限は常にWSNの実用化における最大の障害の1つとなっている。 電池の健康管理には様々な方法が研究されているが、既存の方法は個々の電池の寿命を延長することを目的としており、システムレベルの視点は欠如している。 このような方法を適用した結果として、WSN内の電池は異なるタイミングで故障する傾向にあり、電池交換の計画とスケジューリングにかなりの困難が生じる。 本研究では,WSNのデューティサイクルをシステムレベルで最適化することにより,アクティブな電池劣化管理のための深層強化学習(DRL)手法について検討する。 このアクティブマネジメント戦略は、WSNのパフォーマンスを犠牲にすることなく、グループ置換を可能にする電池個人の早期の故障を効果的に軽減する。 DRLエージェントを訓練し,最適なデューティサイクル戦略を学ぶために,実世界のWSNセットアップに基づくシミュレーション環境を開発した。 戦略の性能は、様々なネットワークサイズで長期的に検証され、その効率性とスケーラビリティが実証された。

関連論文リスト

• Deep Reinforcement Learning-Based Optimization of Second-Life Battery Utilization in Electric Vehicles Charging Stations [0.5033155053523042]
  本稿では,BESSを用いた電気自動車充電ステーションのための深層強化学習(DRL)計画フレームワークについて述べる。 我々は、季節変動を考慮した1年分のデータに基づいてモデルをトレーニングする、高度なソフトアクター・クリティカル(SAC)アプローチを採用する。 調整された報酬関数は効果的なオフライントレーニングを可能にし、不確実性の下でEVCS操作をリアルタイムに最適化することができる。
  論文  参考訳（メタデータ） (2025-02-05T17:50:53Z)
• Optimal Signal Decomposition-based Multi-Stage Learning for Battery Health Estimation [2.8202443616982884]
  電池の健康評価に最適な信号分解に基づく多段階機械学習OSLを提案する。 OSLは、最適化された変分モード分解を用いて、元の電池信号の異なる周波数帯域を捉えた信号を抽出する。
  論文  参考訳（メタデータ） (2025-01-24T04:13:55Z)
• Deep-MPC: A DAGGER-Driven Imitation Learning Strategy for Optimal Constrained Battery Charging [5.192596329990163]
  本論文は,従来の電池充電の予測制御戦略にまつわる課題に対処する革新的な手法を提案する。 電気化学モデルを組み込んだ実用的な電池シミュレータから得られた結果は、電池充電性能の大幅な改善を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-06-23T02:36:02Z)
• Deep Reinforcement Learning for Community Battery Scheduling under Uncertainties of Load, PV Generation, and Energy Prices [5.694872363688119]
  本稿では,不確実性が存在する場合に,コミュニティバッテリーシステムのスケジューリングを行うための深層強化学習(RL)戦略を提案する。 コミュニティバッテリーは、ローカルPVエネルギーの統合、ピーク負荷の低減、および調停のためのエネルギー価格変動の活用において、多用途の役割を担っている。
  論文  参考訳（メタデータ） (2023-12-04T13:45:17Z)
• Remaining useful life prediction of Lithium-ion batteries using spatio-temporal multimodal attention networks [4.249657064343807]
  リチウムイオン電池は、電気自動車や再生可能エネルギー貯蔵など様々な用途で広く使われている。 電池の残存寿命(RUL)の予測は信頼性と効率の確保に不可欠である。 本稿では, 時空間アテンションネットワーク(ST-MAN)を用いたリチウムイオン電池の2段階RUL予測手法を提案する。
  論文  参考訳（メタデータ） (2023-10-29T07:32:32Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
  Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。 このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
  論文  参考訳（メタデータ） (2022-05-08T06:21:33Z)
• Improving Robustness of Reinforcement Learning for Power System Control with Adversarial Training [71.7750435554693]
  電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。 具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。 本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
  論文  参考訳（メタデータ） (2021-10-18T00:50:34Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• 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)
• Mobile Cellular-Connected UAVs: Reinforcement Learning for Sky Limits [71.28712804110974]
  本稿では,UAVの切断時間,ハンドオーバ速度,エネルギー消費を低減するため,MAB(Multi-armed bandit)アルゴリズムを提案する。 それぞれの性能指標(PI)が、適切な学習パラメータの範囲を採用することにより、どのように改善されるかを示す。
  論文  参考訳（メタデータ） (2020-09-21T12:35:23Z)

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。