論文の概要: Prognosis Of Lithium-Ion Battery Health with Hybrid EKF-CNN+LSTM Model Using Differential Capacity

• arxiv url: http://arxiv.org/abs/2504.13956v1
• Date: Wed, 16 Apr 2025 18:43:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 08:20:02.048695
• Title: Prognosis Of Lithium-Ion Battery Health with Hybrid EKF-CNN+LSTM Model Using Differential Capacity
• Title（参考訳）: 差分容量を用いたハイブリッドEKF-CNN+LSTMモデルによるリチウムイオン電池の予後
• Authors: Md Azizul Hoque, Babul Salam, Mohd Khair Hassan, Abdulkabir Aliyu, Abedalmuhdi Almomany, Muhammed Sutcu,
• Abstract要約: リチウムイオン(Liイオン)電池2種類の電池を用いた電池劣化試験モデルを開発した。 提案モデルでは,平均二乗誤差(MSE)とルート平均二乗誤差(RMSE)に基づいて,優れたモデリング結果が得られる。 全体として、LiFePO4電池は、負荷条件の異なる(LiNiCoAlO2)電池よりも頑丈で一貫して動作する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Battery degradation is a major challenge in electric vehicles (EV) and energy storage systems (ESS). However, most degradation investigations focus mainly on estimating the state of charge (SOC), which fails to accurately interpret the cells' internal degradation mechanisms. Differential capacity analysis (DCA) focuses on the rate of change of cell voltage about the change in cell capacity, under various charge/discharge rates. This paper developed a battery cell degradation testing model that used two types of lithium-ions (Li-ion) battery cells, namely lithium nickel cobalt aluminium oxides (LiNiCoAlO2) and lithium iron phosphate (LiFePO4), to evaluate internal degradation during loading conditions. The proposed battery degradation model contains distinct charge rates (DCR) of 0.2C, 0.5C, 1C, and 1.5C, as well as discharge rates (DDR) of 0.5C, 0.9C, 1.3C, and 1.6C to analyze the internal health and performance of battery cells during slow, moderate, and fast loading conditions. Besides, this research proposed a model that incorporates the Extended Kalman Filter (EKF), Convolutional Neural Network (CNN), and Long Short-Term Memory (LSTM) networks to validate experimental data. The proposed model yields excellent modelling results based on mean squared error (MSE), and root mean squared error (RMSE), with errors of less than 0.001% at DCR and DDR. The peak identification technique (PIM) has been utilized to investigate battery health based on the number of peaks, peak position, peak height, peak area, and peak width. At last, the PIM method has discovered that the cell aged gradually under normal loading rates but deteriorated rapidly under fast loading conditions. Overall, LiFePO4 batteries perform more robustly and consistently than (LiNiCoAlO2) cells under varying loading conditions.
• Abstract（参考訳）: 電気自動車(EV)とエネルギー貯蔵システム(ESS)において、バッテリー劣化は大きな課題である。 しかし、ほとんどの劣化研究は、主に電荷の状態(SOC)の推定に焦点を当てており、それは細胞内の劣化機構を正確に解釈することができない。 差分容量分析(DCA)は、様々な充電/放電速度の下でのセル容量の変化に関するセル電圧の変化率に焦点を当てる。 本研究では,リチウムイオン(Li-イオン)電池,すなわちリチウムコバルトアルミニウム酸化物(LiNiCoAlO2)とリチウム鉄リン酸リチウム(LiFePO4)の2種類の電池劣化試験モデルを構築し,負荷条件下での内部劣化を評価する。 提案した電池劣化モデルでは、0.2C、0.5C、1C、1.5Cの異なる充電速度(DCR)と0.5C、0.9C、1.3C、1.6Cの放電速度(DDR)を、緩やか、適度、高速な負荷条件下での電池内部の健康と性能を解析する。 さらに,拡張カルマンフィルタ(EKF),畳み込みニューラルネットワーク(CNN),Long Short-Term Memory(LSTM)ネットワークを組み込んだ実験データ検証モデルを提案する。 提案モデルは平均二乗誤差(MSE)とルート平均二乗誤差(RMSE)に基づいて,DCRおよびDDRにおいて0.001%未満の誤差を有する優れたモデリング結果を得る。 ピーク識別技術 (PIM) を用いて, ピーク数, ピーク位置, ピーク高さ, ピーク面積, ピーク幅に基づいて, 電池の健康状態を調べる。 最終的に、PIM法は、細胞が正常な負荷速度で徐々に老朽化するが、高速な負荷条件下で急速に劣化することを発見した。 全体として、LiFePO4電池は、負荷条件の異なる(LiNiCoAlO2)電池よりも頑丈で一貫して動作する。

関連論文リスト

• Learning to fuse: dynamic integration of multi-source data for accurate battery lifespan prediction [0.0]
  本研究では,バッテリ寿命予測のためのハイブリッド学習フレームワークを提案する。 動的マルチソースデータ融合と積み重ねアンサンブル(SE)モデリングアプローチを統合する。 平均絶対誤差(MAE)は0.0058、根平均二乗誤差(RMSE)は0.0092、決定係数(R2)は0.9839である。
  論文  参考訳（メタデータ） (2025-04-25T10:24:45Z)
• Battery State of Health Estimation Using LLM Framework [0.0]
  本研究では,リチウムチタン酸リチウム(LTO)電池の健康状態(SoH)を推定するためのトランスフォーマーベースのフレームワークを提案する。 電荷持続時間がエネルギー貯蔵の傾向に与える影響を実証し、容量変化を監視するために差分電圧解析(DVA)を適用した。 我々のモデルは、平均絶対誤差(MAE)を0.87%まで低くし、様々なレイテンシメトリクスで優れた性能を達成する。
  論文  参考訳（メタデータ） (2025-01-30T03:55:56Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Onboard Health Estimation using Distribution of Relaxation Times for Lithium-ion Batteries [0.0]
  健常高齢者5例とサイクリング高齢者17例のインピーダンススペクトロスコピー(EIS)データを用いて,SOH(State-of-Health)推定を行った。 10種類の異なるテストセットでテストすることでモデル性能を検証し、平均 RMSPE は1.69% である。
  論文  参考訳（メタデータ） (2024-10-20T04:04:53Z)
• Health diagnosis and recuperation of aged Li-ion batteries with data analytics and equivalent circuit modeling [12.367920799620965]
  本稿では,62個の市販高エネルギー型リチウムリン酸リチウム (LFP) セルの経時的および補修実験を行った。 比較的大規模なデータにより、機械学習モデルを使用してサイクルライフサイクルを予測し、回復可能なキャパシティの重要な指標を特定できます。
  論文  参考訳（メタデータ） (2023-09-21T17:15:10Z)
• 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)
• Toward High-Performance Energy and Power Battery Cells with Machine Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
  本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。 本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。 以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
  論文  参考訳（メタデータ） (2023-07-07T13:48:50Z)
• 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)
• 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。