論文の概要: Physics-informed mixture of experts network for interpretable battery degradation trajectory computation amid second-life complexities
- arxiv url: http://arxiv.org/abs/2506.17755v1
- Date: Sat, 21 Jun 2025 16:26:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-24 19:06:36.567113
- Title: Physics-informed mixture of experts network for interpretable battery degradation trajectory computation amid second-life complexities
- Title（参考訳）: 第2次複雑度を考慮した解釈可能な電池劣化軌跡計算のためのエキスパートネットワークの物理インフォームド混合
- Authors: Xinghao Huang, Shengyu Tao, Chen Liang, Jiawei Chen, Junzhe Shi, Yuqi Li, Bizhong Xia, Guangmin Zhou, Xuan Zhang,
- Abstract要約: PIMOEは、部分的なフィールドアクセス可能な信号を用いて1サイクルでバッテリー劣化軌跡を計算する。
77の条件と67,902サイクルにわたる207個のバッテリーで検証されている。
- 参考スコア（独自算出の注目度）: 15.698670286581597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retired electric vehicle batteries offer immense potential to support low-carbon energy systems, but uncertainties in their degradation behavior and data inaccessibilities under second-life use pose major barriers to safe and scalable deployment. This work proposes a Physics-Informed Mixture of Experts (PIMOE) network that computes battery degradation trajectories using partial, field-accessible signals in a single cycle. PIMOE leverages an adaptive multi-degradation prediction module to classify degradation modes using expert weight synthesis underpinned by capacity-voltage and relaxation data, producing latent degradation trend embeddings. These are input to a use-dependent recurrent network for long-term trajectory prediction. Validated on 207 batteries across 77 use conditions and 67,902 cycles, PIMOE achieves an average mean absolute percentage (MAPE) errors of 0.88% with a 0.43 ms inference time. Compared to the state-of-the-art Informer and PatchTST, it reduces computational time and MAPE by 50%, respectively. Compatible with random state of charge region sampling, PIMOE supports 150-cycle forecasts with 1.50% average and 6.26% maximum MAPE, and operates effectively even with pruned 5MB training data. Broadly, PIMOE framework offers a deployable, history-free solution for battery degradation trajectory computation, redefining how second-life energy storage systems are assessed, optimized, and integrated into the sustainable energy landscape.
- Abstract（参考訳）: 老朽化した電気自動車のバッテリーは、低炭素エネルギーシステムをサポートする大きな可能性を秘めているが、その劣化挙動や第2世代使用時のデータのアクセシビリティの不確実性は、安全でスケーラブルな展開にとって大きな障壁となる。
本研究は, 単サイクルで部分的, フィールドアクセス可能な信号を用いて, 電池劣化軌跡を計算できるPMOE(Physical-Informed Mixture of Experts)ネットワークを提案する。
PIMOEは適応型多段劣化予測モジュールを利用して、キャパシティ電圧と緩和データに基づく専門的な重量合成を用いて劣化モードを分類し、遅延劣化傾向の埋め込みを生成する。
これらは、長期軌跡予測のための使用依存リカレントネットワークに入力される。
77個の使用条件と67,902サイクルにわたる207個のバッテリーで検証され、PIMOEは平均平均絶対パーセンテージ(MAPE)誤差を0.88%と0.43msの推論時間で達成する。
最先端のInformerとPatchTSTと比較して、計算時間とMAPEをそれぞれ50%削減する。
PIMOEは、ランダムな充電領域サンプリングの状態と互換性があり、150サイクルの予測をサポートし、平均1.50%、最大6.26%のMAPEをサポートし、5MBのトレーニングデータでも効果的に動作する。
PIMOEフレームワークは、バッテリー劣化トラジェクトリ計算のためのデプロイ可能な、履歴のないソリューションを提供し、持続可能エネルギーのランドスケープをどのように評価し、最適化し、統合するかを再定義する。
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) - A Scientific Machine Learning Approach for Predicting and Forecasting Battery Degradation in Electric Vehicles [1.393499936476792]
我々は,Scientific Machine Learningフレームワークを用いて,電池劣化の予測と長期予測を行う新しい手法を提案する。
我々は、予測と予測の両方が実用的な条件を反映していることを保証するために、地中真実データを組み込んだ。
我々のアプローチは、エネルギーシステムの持続可能性に貢献し、よりクリーンで責任あるエネルギーソリューションへの世界的移行を加速させる。
論文 参考訳（メタデータ） (2024-10-18T09:57:59Z) - AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。
現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。
本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T23:52:06Z) - Taking Second-life Batteries from Exhausted to Empowered using Experiments, Data Analysis, and Health Estimation [0.0]
電力貯蔵における引退した電気自動車電池の再利用は、環境と経済的利益をもたらす。
本研究は、グリッドストレージに配備された電池の健康モニタリングアルゴリズムに焦点をあてる。
論文 参考訳（メタデータ） (2024-02-29T05:17:36Z) - 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) - Predict+Optimize Problem in Renewable Energy Scheduling [31.032838966665828]
本稿では IEEE-CIS Technical Challenge on Predict+ for Renewable Energy Scheduling のソリューションをベンチマークする。
光GBMアンサンブルを用いた最適化手法は、少なくとも2%のエネルギーコスト削減を実現した。
この研究の新規性は、現実の再生可能エネルギースケジューリング問題に適用される予測+方法論の包括的評価にある。
論文 参考訳（メタデータ） (2022-12-21T02:34:12Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳（メタデータ） (2021-11-13T15:03:44Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
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。