論文の概要: Augmented Physics-Based Li-ion Battery Model via Adaptive Ensemble Sparse Learning and Conformal Prediction
- arxiv url: http://arxiv.org/abs/2507.00353v1
- Date: Tue, 01 Jul 2025 01:00:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-03 14:22:59.148728
- Title: Augmented Physics-Based Li-ion Battery Model via Adaptive Ensemble Sparse Learning and Conformal Prediction
- Title（参考訳）: 適応型アンサンブルスパース学習と等角予測による拡張物理ベースLiイオン電池モデル
- Authors: Samuel Filgueira da Silva, Mehmet Fatih Ozkan, Faissal El Idrissi, Marcello Canova,
- Abstract要約: 本研究では,低次リチウムイオン電池モデルの精度を高める適応アンサンブルスパース同定(AESI)フレームワークを提案する。
このアプローチは、拡張単一粒子モデル(ESPM)と進化的アンサンブルスパース学習戦略を統合し、堅牢なハイブリッドモデルを構築する。
種々の動作条件による評価の結果,ハイブリッドモデル(ESPM + AESI)は電圧予測精度を向上し,平均2乗誤差を最大46%削減できることがわかった。
- 参考スコア（独自算出の注目度）: 1.6874375111244329
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate electrochemical models are essential for the safe and efficient operation of lithium-ion batteries in real-world applications such as electrified vehicles and grid storage. Reduced-order models (ROM) offer a balance between fidelity and computational efficiency but often struggle to capture complex and nonlinear behaviors, such as the dynamics in the cell voltage response under high C-rate conditions. To address these limitations, this study proposes an Adaptive Ensemble Sparse Identification (AESI) framework that enhances the accuracy of reduced-order li-ion battery models by compensating for unpredictable dynamics. The approach integrates an Extended Single Particle Model (ESPM) with an evolutionary ensemble sparse learning strategy to construct a robust hybrid model. In addition, the AESI framework incorporates a conformal prediction method to provide theoretically guaranteed uncertainty quantification for voltage error dynamics, thereby improving the reliability of the model's predictions. Evaluation across diverse operating conditions shows that the hybrid model (ESPM + AESI) improves the voltage prediction accuracy, achieving mean squared error reductions of up to 46% on unseen data. Prediction reliability is further supported by conformal prediction, yielding statistically valid prediction intervals with coverage ratios of 96.85% and 97.41% for the ensemble models based on bagging and stability selection, respectively.
- Abstract（参考訳）: 正確な電気化学モデルは、電化車やグリッドストレージなどの現実の応用において、リチウムイオン電池の安全かつ効率的な運転に不可欠である。
低次モデル(ROM)は忠実度と計算効率のバランスを提供するが、高いCレート条件下でのセル電圧応答のダイナミクスのような複雑で非線形な振る舞いを捉えるのに苦労することが多い。
これらの制約に対処するために,予測不能なダイナミクスを補償することにより,リイオン電池の低次モデルの精度を向上させる適応アンサンブルスパース同定(AESI)フレームワークを提案する。
このアプローチは、拡張単一粒子モデル(ESPM)と進化的アンサンブルスパース学習戦略を統合し、堅牢なハイブリッドモデルを構築する。
さらに、AESIフレームワークは、理論上保証された電圧誤差ダイナミクスの不確実性定量化を提供するための整合予測手法を導入し、モデル予測の信頼性を向上させる。
種々の動作条件による評価の結果,ハイブリッドモデル(ESPM + AESI)は電圧予測精度を向上し,平均2乗誤差を最大46%削減できることがわかった。
予測信頼性は共形予測によってさらに支持され、バッグングと安定性の選択に基づくアンサンブルモデルのカバレッジ比96.85%と97.41%の統計的に妥当な予測間隔が得られる。
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) - 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) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - Probabilistic Surrogate Model for Accelerating the Design of Electric Vehicle Battery Enclosures for Crash Performance [0.0]
本稿では,事故性能に着目した電気自動車用バッテリケースの高速化設計のための確率的サロゲートモデルを提案する。
このモデルは、様々な材料およびプロセスパラメータのサーモフォーミングとクラッシュシミュレーションから生成されたデータを用いて訓練された。
新しいシミュレーションデータに対する検証では、全ての出力変数に対して平均絶対パーセンテージ誤差8.08%でモデルの予測精度を実証した。
論文 参考訳（メタデータ） (2024-08-06T21:03:16Z) - End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。
エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-03T10:21:53Z) - 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) - Hybrid physics-based and data-driven modeling with calibrated
uncertainty for lithium-ion battery degradation diagnosis and prognosis [6.7143928677892335]
リチウムイオン電池(LIB)は今後数十年で電化を促進する鍵となる。
LIB劣化の不十分な理解は、バッテリーの耐久性と安全性を制限する重要なボトルネックである。
本稿では,オンライン診断とバッテリー劣化の診断のためのハイブリッド物理とデータ駆動モデリングを提案する。
論文 参考訳（メタデータ） (2021-10-25T11:14:12Z) - 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) - Modified Gaussian Process Regression Models for Cyclic Capacity
Prediction of Lithium-ion Batteries [5.663192900261267]
本稿では,リチウムイオン電池の容量予測のための機械学習によるデータ駆動モデルの開発について述べる。
開発モデルは, 種々のサイクリングパターンを有する酸化ニッケル (MCN) リチウムイオン電池と比較した。
論文 参考訳（メタデータ） (2020-12-31T19:05:27Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z) - 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。