論文の概要: Enhanced Battery Capacity Estimation in Data-Limited Scenarios through Swarm Learning

• arxiv url: http://arxiv.org/abs/2504.12444v1
• Date: Wed, 16 Apr 2025 19:22:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-26 02:38:27.479562
• Title: Enhanced Battery Capacity Estimation in Data-Limited Scenarios through Swarm Learning
• Title（参考訳）: Swarm Learningによるデータ制限シナリオの電池容量推定
• Authors: Jiawei Zhang, Yu Zhang, Wei Xu, Yifei Zhang, Weiran Jiang, Qi Jiao, Yao Ren, Ziyou Song,
• Abstract要約: 本稿では,分散Swarm Learning(SL)フレームワークと信頼性重みに基づくモデルマージ機構を結合したSwarmバッテリ管理システムを提案する。 SLフレームワークの有効性を66個の市販LiNiCoAlO2細胞を種々の操作条件で周期的に構成したデータセット上で検証した。
• 参考スコア（独自算出の注目度）: 16.029182578538812
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven methods have shown potential in electric-vehicle battery management tasks such as capacity estimation, but their deployment is bottlenecked by poor performance in data-limited scenarios. Sharing battery data among algorithm developers can enable accurate and generalizable data-driven models. However, an effective battery management framework that simultaneously ensures data privacy and fault tolerance is still lacking. This paper proposes a swarm battery management system that unites a decentralized swarm learning (SL) framework and credibility weight-based model merging mechanism to enhance battery capacity estimation in data-limited scenarios while ensuring data privacy and security. The effectiveness of the SL framework is validated on a dataset comprising 66 commercial LiNiCoAlO2 cells cycled under various operating conditions. Specifically, the capacity estimation performance is validated in four cases, including data-balanced, volume-biased, feature-biased, and quality-biased scenarios. Our results show that SL can enhance the estimation accuracy in all data-limited cases and achieve a similar level of accuracy with central learning where large amounts of data are available.
• Abstract（参考訳）: データ駆動方式はキャパシティ推定などの電気自動車のバッテリ管理タスクに可能性を示しているが、その展開はデータ制限シナリオにおけるパフォーマンスの低下によってボトルネックになっている。 アルゴリズム間でバッテリデータを共有すれば、正確で一般化可能なデータ駆動モデルが可能になる。 しかし、データプライバシとフォールトトレランスを同時に保証する効果的なバッテリ管理フレームワークはまだ欠如している。 本稿では、データプライバシとセキュリティを確保しつつ、データ制限シナリオにおけるバッテリキャパシティ推定を強化するために、分散Swarm Learning(SL)フレームワークと信頼性重みに基づくモデルマージ機構を結合したSwarmバッテリ管理システムを提案する。 SLフレームワークの有効性を66個の市販LiNiCoAlO2細胞を種々の操作条件で周期的に構成したデータセット上で検証した。 具体的には,データバランス,ボリュームバイアス,機能バイアス,品質バイアスの4つのシナリオでキャパシティ推定性能が検証される。 以上の結果から,SLは全データ制限ケースにおける推定精度を向上し,大量のデータが得られる中央学習と同等の精度を達成できることが示唆された。

関連論文リスト

• Value-Based Deep RL Scales Predictably [100.21834069400023]
  本研究は, 地域社会が病的行動に不安を抱いているにもかかわらず, 価値に基づく非政治的RL法が予測可能であることを示す。 SAC、BRO、PQLの3つのアルゴリズムを使って、DeepMind Control、OpenAI gym、IsaacGymの3つのアプローチを検証する。
  論文  参考訳（メタデータ） (2025-02-06T18:59:47Z)
• Predicting Battery Capacity Fade Using Probabilistic Machine Learning Models With and Without Pre-Trained Priors [0.2445561610325265]
  リチウムイオン電池は、モバイルエレクトロニクス、電気自動車、再生可能エネルギーストレージに革命をもたらす重要なエネルギー貯蔵技術である。 キャパシティ保持は、これらの電池が寿命の終わりに近づいたかどうかを評価するために頻繁に使用される重要なパフォーマンス指標である。 機械学習(ML)は、過去のデータに基づいてキャパシティ劣化を予測する強力なツールを提供する。
  論文  参考訳（メタデータ） (2024-10-08T23:23:11Z)
• Training on the Benchmark Is Not All You Need [52.01920740114261]
  本稿では,複数選択肢の内容に基づいた簡易かつ効果的なデータ漏洩検出手法を提案する。 本手法は,モデルトレーニングデータや重みを使用せずに,グレーボックス条件下で動作可能である。 4つのベンチマークデータセットから35個の主要なオープンソースLCMのデータ漏洩度を評価する。
  論文  参考訳（メタデータ） (2024-09-03T11:09:44Z)
• Generating Comprehensive Lithium Battery Charging Data with Generative AI [24.469319419012745]
  本研究では、生成AIモデルの条件として、EOL(End of Life)とECL(Equivalent Cycle Life)を紹介する。 CVAEモデルに埋め込み層を組み込むことにより, RCVAE(Refined Conditional Variational Autoencoder)を開発した。 準ビデオ形式にプリプロセッシングすることで、電圧、電流、温度、充電容量を含む電気化学データの総合的な合成を実現する。 この方法は、リチウム電池データの人工合成のための新しい研究領域を開拓する、包括的な電気化学データセットを提供する。
  論文  参考訳（メタデータ） (2024-04-11T09:08:45Z)
• Adapting Amidst Degradation: Cross Domain Li-ion Battery Health Estimation via Physics-Guided Test-Time Training [19.606703130917325]
  リチウムイオン電池(LIB)の健康モデリングは、安全で効率的なエネルギー管理に不可欠であり、社会経済的に重要な意味を持つ。 本稿では,劣化中の各対象データ(UTD)を連続的に使用してモデルを適応させる,実践的なテストタイムトレーニングフレームワークであるBatteryTTTを紹介する。 それぞれのUTDを完全に活用するために、BatteryTTTはPhyscics-Guided Test-Time Trainingと呼ばれる、現代のLIB固有の物理法則を自己教師付き学習に統合する。
  論文  参考訳（メタデータ） (2024-01-30T14:47:15Z)
• DavIR: Data Selection via Implicit Reward for Large Language Models [62.59514469369608]
  DavIRは、学習後の大規模言語モデルのためのモデルベースのデータ選択手法である。 DavIRで選択したAlpacaデータセットの6%は、LLaMAモデルとGemmaモデルの両方を操り、フル52Kデータセットでトレーニングされたモデルと比較すると、優れたパフォーマンスが得られる。
  論文  参考訳（メタデータ） (2023-10-16T07:26:24Z)
• Cerberus: A Deep Learning Hybrid Model for Lithium-Ion Battery Aging Estimation and Prediction Based on Relaxation Voltage Curves [7.07637687957493]
  本稿では,ディープラーニングに基づくキャパシティ老化推定と予測のためのハイブリッドモデルを提案する。 提案手法は, チャージサイクルと放電サイクルを含む新しいデータセットに対して, 様々な速度で検証する。
  論文  参考訳（メタデータ） (2023-08-15T15:07:32Z)
• Learning battery model parameter dynamics from data with recursive Gaussian process regression [0.0]
  本稿では,データ駆動とモデル駆動を併用したハイブリッド手法を提案する。 具体的には、状態、動作条件、寿命の関数としてモデルパラメータを推定するベイズ的データ駆動手法であるガウス的プロセス回帰を実証する。 その結果, 実測データと実測データの両方において, 電池容量と内部抵抗の正確な推定値, 予測値などの有効性が示された。
  論文  参考訳（メタデータ） (2023-04-26T16:40:34Z)
• How Much More Data Do I Need? Estimating Requirements for Downstream Tasks [99.44608160188905]
  小さなトレーニングデータセットと学習アルゴリズムがあれば、ターゲットの検証やテストのパフォーマンスに到達するのに、どれくらいのデータが必要か? データ要求を過大評価または過小評価すると、十分な予算で回避できる相当なコストが発生する。 本ガイドラインを用いることで,機械学習システムのデータ要求を正確に推定し,開発時間とデータ取得コストの双方で節約することができる。
  論文  参考訳（メタデータ） (2022-07-04T21:16:05Z)
• Attention-based Deep Neural Networks for Battery Discharge Capacity Forecasting [2.8944480776764308]
  容量劣化は、データの観点から電荷の初期電池状態の記憶として扱うことができる。 深部劣化ネットワーク(DDN)は、類似度を測定し電池容量を予測するための注意機構によって開発されている。 DDNモデルは、ストリーミングセンサデータから変性関連時間パターンを抽出し、リアルタイムにオンラインで効率よくバッテリ容量予測を行う。
  論文  参考訳（メタデータ） (2022-02-14T14:16:25Z)
• Learning to be a Statistician: Learned Estimator for Number of Distinct Values [54.629042119819744]
  列内の異なる値の数(NDV)を推定することは、データベースシステムにおける多くのタスクに有用である。 本研究では、ランダム(オンライン/オフライン)サンプルから正確なNDV推定を導出する方法に焦点を当てる。 教師付き学習フレームワークにおいて,NDV推定タスクを定式化し,モデルを推定対象として学習することを提案する。
  論文  参考訳（メタデータ） (2022-02-06T15:42:04Z)
• The Impact of Data on the Stability of Learning-Based Control- Extended Version [63.97366815968177]
  本稿では,Lyapunovをベースとした,認証制御性能に対するデータの影響の定量化手法を提案する。 ガウス過程を通じて未知系の力学をモデル化することにより、モデルの不確実性と安定性条件の満足度の間の相互関係を決定できる。
  論文  参考訳（メタデータ） (2020-11-20T19:10:01Z)
• How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
  本稿では,トレーニングデータの密度と制御性能の関係を考察する。 データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。 フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-25T12:13:49Z)

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。