論文の概要: A novel Neural-ODE model for the state of health estimation of lithium-ion battery using charging curve

• arxiv url: http://arxiv.org/abs/2505.05803v1
• Date: Fri, 09 May 2025 05:40:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.166249
• Title: A novel Neural-ODE model for the state of health estimation of lithium-ion battery using charging curve
• Title（参考訳）: 充電曲線を用いたリチウムイオン電池の健康状態推定のための新しいニューラル-ODEモデル
• Authors: Yiming Li, Man He, Jiapeng Liu,
• Abstract要約: リチウムイオン電池(LIB)の健康状態(SOH)は、電気自動車の安全で信頼性の高い運転を保証するために重要である。 本稿では、一般化を改善するために、LIBのSOHを推定するためのデータ駆動型アプローチを提案する。
• 参考スコア（独自算出の注目度）: 9.443903055382071
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The state of health (SOH) of lithium-ion batteries (LIBs) is crucial for ensuring the safe and reliable operation of electric vehicles. Nevertheless, the prevailing SOH estimation methods often have limited generalizability. This paper introduces a data-driven approach for estimating the SOH of LIBs, which is designed to improve generalization. We construct a hybrid model named ACLA, which integrates the attention mechanism, convolutional neural network (CNN), and long short-term memory network (LSTM) into the augmented neural ordinary differential equation (ANODE) framework. This model employs normalized charging time corresponding to specific voltages in the constant current charging phase as input and outputs the SOH as well as remaining useful of life. The model is trained on NASA and Oxford datasets and validated on the TJU and HUST datasets. Compared to the benchmark models NODE and ANODE, ACLA exhibits higher accuracy with root mean square errors (RMSE) for SOH estimation as low as 1.01% and 2.24% on the TJU and HUST datasets, respectively.
• Abstract（参考訳）: リチウムイオン電池(LIB)の健康状態(SOH)は、電気自動車の安全で信頼性の高い運転を保証するために重要である。 それでも、一般的なSOH推定法は、しばしば限定的な一般化性を持つ。 本稿では、一般化を改善するために、LIBのSOHを推定するためのデータ駆動型アプローチを提案する。 我々は、注意機構、畳み込みニューラルネットワーク(CNN)、長期記憶ネットワーク(LSTM)を拡張ニューラル常微分方程式(ANODE)フレームワークに統合するハイブリッドモデルACLAを構築した。 このモデルでは、一定電流帯電相の特定の電圧に対応する正規化充電時間を入力として使用し、SOHを出力し、寿命を保ったまま出力する。 このモデルはNASAとオックスフォードのデータセットでトレーニングされ、TJUとHUSTデータセットで検証される。 ベンチマークモデル NODE と ANODE と比較して、ACLA は、それぞれ TJU と HUST のデータセットにおいて、SOH 推定のルート平均平方誤差 (RMSE) を 1.01% と 2.24% と高い精度を示す。

関連論文リスト

• 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)
• Graph neural network-based lithium-ion battery state of health estimation using partial discharging curve [16.570091013381266]
  本稿では, リチウムイオン電池の健康状態(SOH)を推定するために, グラフ時間ネットワーク(GCN)を活用した革新的なアプローチを提案する。 本手法は,マトリックスプロファイル異常検出アルゴリズムを用いて放電電圧セグメントを系統的に選択する。 広く受け入れられているオープンソースデータセットによる検証により,ルート平均2乗誤差が1%未満の精度でSOH推定が可能であることが示された。
  論文  参考訳（メタデータ） (2024-08-30T02:14:53Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• 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)
• Digital Twin for Real-time Li-ion Battery State of Health Estimation with Partially Discharged Cycling Data [16.637948430296227]
  リチウムイオン電池(LIB)の健康状態(SOH)推定は劣化特性と密接な関係がある。 提案したディジタルツインソリューションは、リアルタイムなSOH推定を可能にする3つのコアコンポーネントから構成される。 本手法は, サイクル中のサンプリング時間の大半に対して, 誤差が1%未満のリアルタイムSOH推定を行う。
  論文  参考訳（メタデータ） (2022-12-09T01:30:10Z)
• Transfer Learning-based State of Health Estimation for Lithium-ion Battery with Cycle Synchronization [16.637948430296227]
  バッテリーの健康状態(SOH)を正確に推定することは、バッテリー駆動アプリケーションの予期せぬ失敗を防ぐのに役立ちます。 新たなバッテリのモデルトレーニングにおけるデータ要件の低減という優位性により,トランスファーラーニング(TL)が有望な機械学習アプローチとして出現する。 本稿では、時間的ダイナミクスを利用してTLに基づくSOH推定を解釈し、伝達学習を支援する手法を提案する。
  論文  参考訳（メタデータ） (2022-08-23T21:40:40Z)
• 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)
• Machine learning pipeline for battery state of health estimation [3.0238880199349834]
  我々は,バッテリ容量のフェードを推定するための機械学習パイプラインの設計と評価を行う。 パイプラインは、2つのパラメトリックおよび2つの非パラメトリックアルゴリズムを用いて、関連する信頼区間で電池SOHを推定する。 高速充電プロトコルの下で動作しているセルにデプロイすると、最良のモデルでは、ルート平均2乗誤差が0.45%に達する。
  論文  参考訳（メタデータ） (2021-02-01T13:50:56Z)

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。