論文の概要: Deep learning for state estimation of commercial sodium-ion batteries using partial charging profiles: validation with a multi-temperature ageing dataset

• arxiv url: http://arxiv.org/abs/2504.00393v1
• Date: Tue, 01 Apr 2025 03:28:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:20:28.822232
• Title: Deep learning for state estimation of commercial sodium-ion batteries using partial charging profiles: validation with a multi-temperature ageing dataset
• Title（参考訳）: 部分電荷プロファイルを用いた商業用ナトリウムイオン電池の状態推定のための深層学習:多温度時効データセットによる検証
• Authors: Jiapeng Liu, Lunte Li, Jing Xiang, Laiyong Xie, Yuhao Wang, Francesco Ciucci,
• Abstract要約: 実験では、実験室の2つの電池モジュールとともに、53個の単細胞を4つの温度で収集した。 部分充電プロファイルを用いて,SOC,キャパシティ,SOHを同時に予測することができた。 SOCは0.998ドル,SOHは0.997ドルであった。
• 参考スコア（独自算出の注目度）: 3.942761758475083
• License:
• Abstract: Accurately predicting the state of health for sodium-ion batteries is crucial for managing battery modules, playing a vital role in ensuring operational safety. However, highly accurate models available thus far are rare due to a lack of aging data for sodium-ion batteries. In this study, we experimentally collected 53 single cells at four temperatures (0, 25, 35, and 45 {\deg}C), along with two battery modules in the lab. By utilizing the charging profiles, we were able to predict the SOC, capacity, and SOH simultaneously. This was achieved by designing a new framework that integrates the neural ordinary differential equation and 2D convolutional neural networks, using the partial charging profile as input. The charging profile is partitioned into segments, and each segment is fed into the network to output the SOC. For capacity and SOH prediction, we first aggregated the extracted features corresponding to segments from one cycle, after which an embedding block for temperature is concatenated for the final prediction. This novel approach eliminates the issue of multiple outputs for a single target. Our model demonstrated an $R^2$ accuracy of 0.998 for SOC and 0.997 for SOH across single cells at various temperatures. Furthermore, the trained model can be employed to predict single cells at temperatures outside the training set and battery modules with different capacity and current levels. The results presented here highlight the high accuracy of our model and its capability to predict multiple targets simultaneously using a partial charging profile.
• Abstract（参考訳）: リチウムイオン電池の健康状態の正確な予測は、バッテリーモジュールの管理に不可欠であり、運用上の安全性を確保する上で重要な役割を担っている。 しかし、ナトリウムイオン電池の老朽化データがないため、現在利用可能な高精度なモデルはほとんどない。 本研究では,実験室の2つの電池モジュールとともに,53個の単細胞を4温度 (0, 25, 35, 45 {\deg}C) で採取した。 充電プロファイルを利用することで,SOC,キャパシティ,SOHを同時に予測することができた。 これは、ニューラル常微分方程式と2次元畳み込みニューラルネットワークを統合した新しいフレームワークを設計し、部分電荷プロファイルを入力として実現した。 充電プロファイルをセグメントに分割し、各セグメントをネットワークに供給してSOCを出力する。 キャパシティとSOH予測のために,まず1サイクルから抽出したセグメントに対応する特徴を集約し,その後に温度の埋め込みブロックを結合して最終予測を行った。 この新しいアプローチは、1つのターゲットに対する複数の出力の問題を取り除く。 SOCは0.998ドル,SOHは0.997ドルであった。 さらに、トレーニングされたモデルを使用して、トレーニングセット外の温度と、キャパシティと電流レベルが異なるバッテリーモジュールで単一セルを予測することができる。 この結果から,本モデルの高精度化と,部分充電プロファイルを用いて複数の目標を同時に予測する能力を強調した。

関連論文リスト

• Learning the P2D Model for Lithium-Ion Batteries with SOH Detection [0.0]
  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。
  論文  参考訳（メタデータ） (2025-02-19T23:17:30Z)
• COEFF-KANs: A Paradigm to Address the Electrolyte Field with KANs [5.759388420139191]
  液体電解質の組成に基づいてクーロン効率(CE)を自動的に予測する新しい手法を提案する。 得られた電解質の特徴を多層パーセプトロンまたはコルモゴロフ・アルノルドネットワークに入力してCEを予測する。 実世界のデータセットを用いた実験結果から,本手法はCE予測のためのSOTAを全ベースラインと比較した結果を得た。
  論文  参考訳（メタデータ） (2024-07-24T14:45:25Z)
• 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)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• LiFe-net: Data-driven Modelling of Time-dependent Temperatures and Charging Statistics Of Tesla's LiFePo4 EV Battery [0.0]
  バッテリーパックの極端な温度は、寿命と出力に影響を与える可能性がある。 電池内部からデータ測定を得ることは困難である。 本稿では,データ駆動型サロゲートモデル(LiFe-net)を提案する。
  論文  参考訳（メタデータ） (2022-12-16T10:59:03Z)
• 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)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Comparing seven methods for state-of-health time series prediction for the lithium-ion battery packs of forklifts [1.1470070927586016]
  本報告では, 健康状態の予測において, 緩やかな回帰を推し進める能力について述べる。 われわれは45個のリチウムイオン電池パックのユニークなデータセットを所有しており、データに大きなバリエーションがある。
  論文  参考訳（メタデータ） (2021-07-06T10:52:56Z)
• 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)
• 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。