論文の概要: Real-Time Optimal Design of Experiment for Parameter Identification of Li-Ion Cell Electrochemical Model
- arxiv url: http://arxiv.org/abs/2504.15578v1
- Date: Tue, 22 Apr 2025 04:25:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-30 22:25:46.839345
- Title: Real-Time Optimal Design of Experiment for Parameter Identification of Li-Ion Cell Electrochemical Model
- Title（参考訳）: Liイオンセル電気化学モデルのパラメータ同定実験のリアルタイム最適設計
- Authors: Ian Mikesell, Samuel Filgueira da Silva, Mehmet Fatih Ozkan, Faissal El Idrissi, Prashanth Ramesh, Marcello Canova,
- Abstract要約: 本稿では,LBセルに印加される電流プロファイルを動的に調整し,電気化学モデルのパラメータ識別性を最適化する強化学習に基づくアプローチについて述べる。
提案するフレームワークはハードウェア・イン・ザ・ループ(HIL)セットアップを用いてリアルタイムに実装され,RL設計戦略を評価するための信頼性の高いテストベッドとして機能する。
- 参考スコア（独自算出の注目度）: 1.4843690728082002
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately identifying the parameters of electrochemical models of li-ion battery (LiB) cells is a critical task for enhancing the fidelity and predictive ability. Traditional parameter identification methods often require extensive data collection experiments and lack adaptability in dynamic environments. This paper describes a Reinforcement Learning (RL) based approach that dynamically tailors the current profile applied to a LiB cell to optimize the parameters identifiability of the electrochemical model. The proposed framework is implemented in real-time using a Hardware-in-the-Loop (HIL) setup, which serves as a reliable testbed for evaluating the RL-based design strategy. The HIL validation confirms that the RL-based experimental design outperforms conventional test protocols used for parameter identification in terms of both reducing the modeling errors on a verification test and minimizing the duration of the experiment used for parameter identification.
- Abstract（参考訳）: リイオン電池(LiB)セルの電気化学モデルのパラメータを正確に同定することは、その忠実度と予測能力を高めるための重要な課題である。
従来のパラメータ識別手法では、広範囲なデータ収集実験と動的環境への適応性の欠如がしばしば必要である。
本稿では,LiBセルに印加された電流分布を動的に調整し,電気化学モデルのパラメータ識別性を最適化する強化学習(RL)に基づくアプローチについて述べる。
提案するフレームワークはハードウェア・イン・ザ・ループ(HIL)セットアップを用いてリアルタイムに実装され,RL設計戦略を評価するための信頼性の高いテストベッドとして機能する。
HIL検証は、RLに基づく実験設計が、検証テストにおけるモデリングエラーの低減と、パラメータ識別に使用される実験期間の最小化の両方の観点から、パラメータ識別に使用される従来の試験プロトコルよりも優れていることを確認した。
関連論文リスト
- On-site estimation of battery electrochemical parameters via transfer learning based physics-informed neural network approach [0.0]
提案手法は,バッテリ管理システムにおけるリアルタイム実装に適した計算コストを大幅に削減する。
動作データと関連する電気化学的パラメータを効果的に推定することができた。
この手法は、標準電荷プロファイルのデータを用いて、Raspberry Piデバイスで実験的に検証される。
論文 参考訳（メタデータ） (2025-03-28T13:06:41Z) - Improving Low-Fidelity Models of Li-ion Batteries via Hybrid Sparse Identification of Nonlinear Dynamics [1.5728609542259502]
本稿では,低次リチウムイオン電池モデルの忠実度向上のためのデータインスパイアされたアプローチを提案する。
提案手法は, 遺伝的アルゴリズムとGA-stridgeとを組み合わせて, 低忠実度モデル (LFM) と高忠実度モデル (HFM) の差分を識別・補償する。
物理に基づく手法とデータ駆動方式を組み合わせたハイブリッドモデルは、ベースラインFMと比較して電圧予測誤差を著しく低減できることを示すために、異なる駆動サイクルで試験される。
論文 参考訳（メタデータ） (2024-11-20T00:00:11Z) - SaRA: High-Efficient Diffusion Model Fine-tuning with Progressive Sparse Low-Rank Adaptation [52.6922833948127]
本研究では,事前学習した拡散モデルにおけるパラメータの重要性について検討する。
本稿では,これらの非効率パラメータをフル活用するための新しいモデル微調整法を提案する。
本手法は,下流アプリケーションにおける事前学習モデルの生成能力を向上する。
論文 参考訳（メタデータ） (2024-09-10T16:44:47Z) - Parameter Identification for Electrochemical Models of Lithium-Ion Batteries Using Bayesian Optimization [5.637250168164636]
グラディエントベースおよびメタヒューリスティック最適化手法は、ロバスト性、高い計算コスト、および局所ミニマへの感受性の欠如によって制限されている。
本研究では,ニッケル-マンガン-コバルト (NMC)-グラファイトセルの電気化学等価回路電池モデル (E-ECM) の動的パラメータの調整にベイズ最適化を用いる。
論文 参考訳（メタデータ） (2024-05-17T12:59:15Z) - Hybrid Reinforcement Learning for Optimizing Pump Sustainability in
Real-World Water Distribution Networks [55.591662978280894]
本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。
我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。
進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
論文 参考訳（メタデータ） (2023-10-13T21:26:16Z) - Beyond Traditional DoE: Deep Reinforcement Learning for Optimizing
Experiments in Model Identification of Battery Dynamics [0.0]
多くのエネルギー管理システムと設計プロセスは、効率最適化のために正確なバッテリモデルに依存している。
従来の実験設計(DoE)は、多くの異なる構成を網羅する必要があるため、時間と費用がかかる。
深部強化学習に基づく新しいDoE手法が開発され、過去の実験統計に基づいてフライ実験の設定を変更する。
論文 参考訳（メタデータ） (2023-10-12T10:44:47Z) - 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) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳（メタデータ） (2021-06-21T23:42:58Z) - 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) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Battery Model Calibration with Deep Reinforcement Learning [5.004835203025507]
バッテリーモデルのキャリブレーションパラメータを確実かつ効率的に推測するための強化学習ベースのフレームワークを実装します。
このフレームワークは、観測から現実ギャップを補うために、計算モデルパラメータのリアルタイム推論を可能にする。
論文 参考訳（メタデータ） (2020-12-07T19:26:08Z)
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。