論文の概要: SDG-L: A Semiparametric Deep Gaussian Process based Framework for Battery Capacity Prediction

• arxiv url: http://arxiv.org/abs/2510.10621v1
• Date: Sun, 12 Oct 2025 14:02:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.036202
• Title: SDG-L: A Semiparametric Deep Gaussian Process based Framework for Battery Capacity Prediction
• Title（参考訳）: SDG-L:電池容量予測のための半パラメトリックディープガウスプロセスベースフレームワーク
• Authors: Hanbing Liu, Yanru Wu, Yang Li, Ercan E. Kuruoglu, Xuan Zhang,
• Abstract要約: 本稿では,SDG-Lと呼ばれる半深いガウス過程回帰フレームワークを提案し,時系列電池状態データのモデリングに基づいて予測を行う。 NASAのデータセットに基づく実験では,提案手法は平均MSE誤差が1.2%である。
• 参考スコア（独自算出の注目度）: 14.25882750541692
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lithium-ion batteries are becoming increasingly omnipresent in energy supply. However, the durability of energy storage using lithium-ion batteries is threatened by their dropping capacity with the growing number of charging/discharging cycles. An accurate capacity prediction is the key to ensure system efficiency and reliability, where the exploitation of battery state information in each cycle has been largely undervalued. In this paper, we propose a semiparametric deep Gaussian process regression framework named SDG-L to give predictions based on the modeling of time series battery state data. By introducing an LSTM feature extractor, the SDG-L is specially designed to better utilize the auxiliary profiling information during charging/discharging process. In experimental studies based on NASA dataset, our proposed method obtains an average test MSE error of 1.2%. We also show that SDG-L achieves better performance compared to existing works and validate the framework using ablation studies.
• Abstract（参考訳）: リチウムイオン電池はエネルギー供給において一様になりつつある。 しかし、リチウムイオン電池を用いたエネルギー貯蔵の耐久性は、充電/放電サイクルの増加に伴って低下する能力によって脅かされている。 正確なキャパシティ予測は、システム効率と信頼性を保証する鍵であり、各サイクルにおけるバッテリ状態情報の活用は、主に過小評価されている。 本稿では,SDG-Lという半パラメトリック深層ガウスプロセス回帰フレームワークを提案する。 LSTM特徴抽出器を導入することにより、SDG-Lは充電/放電過程において補助プロファイリング情報をよりよく利用するように設計されている。 NASAのデータセットに基づく実験では,提案手法は平均MSE誤差が1.2%である。 また、SDG-Lは既存の研究よりも優れた性能を示し、アブレーション研究を用いてその枠組みを検証した。

関連論文リスト

• Knowledge-Aware Modeling with Frequency Adaptive Learning for Battery Health Prognostics [27.840159692578354]
  Karmaは、バッテリ容量推定のための周波数適応学習と有用な寿命予測のための知識認識モデルである。 1つのストリームが長期の低周波劣化傾向を捉え、もう1つのモデルが高周波短期力学をモデル化する2重ストリームディープラーニングアーキテクチャを開発した。 実験では、Karmaの優れた性能を示し、バッテリーの健康予測のための最先端のアルゴリズムよりも平均エラーを50.6%、32.6%削減した。
  論文  参考訳（メタデータ） (2025-10-03T09:24:38Z)
• State-of-Health Prediction for EV Lithium-Ion Batteries via DLinear and Robust Explainable Feature Selection [14.672460390509334]
  電気自動車(EV)に適した、説明可能な、データ駆動型健康状態予測(SOH)フレームワークを提案する。 我々は、電圧、電流、温度、時間プロファイルから20種類の有意な特徴を抽出し、ピアソン相関法とシェープリー加法説明法(SHAP)を用いて鍵となる特徴を選択する。 SHAPによる選択は複数の細胞に一貫した機能的重要性をもたらし、細胞間変動(CtCV)を効果的に捉える
  論文  参考訳（メタデータ） (2025-01-20T15:28:20Z)
• GiNet: Integrating Sequential and Context-Aware Learning for Battery Capacity Prediction [6.289972392749257]
  本稿では,バッテリ容量を予測するために,ゲート型リカレントユニット拡張InformerネットワークであるGiNetを提案する。 GiNetは、過去のバッテリ容量を知ることなく、将来のタイムスロットのシーケンスでバッテリ容量を予測するために、0.11の平均絶対誤差を達成している。 また、Informerに比べて27%のエラー削減率で、最新のアルゴリズムを著しく上回っている。
  論文  参考訳（メタデータ） (2025-01-09T06:26:28Z)
• Remaining Useful Life Prediction for Batteries Utilizing an Explainable AI Approach with a Predictive Application for Decision-Making [0.0]
  バッテリーRULを予測・分類するための機械学習モデルを開発した。 提案したTLEモデルはRMSE, MAE, R二乗誤差のベースラインモデルより一貫して優れている。 XGBoostは、クロスバリデーション技術によって検証された99%の分類精度を達成した。
  論文  参考訳（メタデータ） (2024-09-26T15:08:38Z)
• Generating Comprehensive Lithium Battery Charging Data with Generative AI [24.469319419012745]
  本研究では、生成AIモデルの条件として、EOL(End of Life)とECL(Equivalent Cycle Life)を紹介する。 CVAEモデルに埋め込み層を組み込むことにより, RCVAE(Refined Conditional Variational Autoencoder)を開発した。 準ビデオ形式にプリプロセッシングすることで、電圧、電流、温度、充電容量を含む電気化学データの総合的な合成を実現する。 この方法は、リチウム電池データの人工合成のための新しい研究領域を開拓する、包括的な電気化学データセットを提供する。
  論文  参考訳（メタデータ） (2024-04-11T09:08:45Z)
• BatSort: Enhanced Battery Classification with Transfer Learning for Battery Sorting and Recycling [42.453194049264646]
  バッテリータイプ分類のための機械学習に基づくアプローチを導入し、アプリケーションにおけるデータ不足の問題に対処する。 本研究では,大規模なデータセットに最適化された既存の知識を活用するために移動学習を適用したBatSortを提案する。 実験の結果,BatSortの精度は平均92.1%,最大96.2%であった。
  論文  参考訳（メタデータ） (2024-04-08T18:05:24Z)
• Transfer Learning and Vision Transformer based State-of-Health prediction of Lithium-Ion Batteries [1.2468700211588883]
  健康状態(SOH)の正確な予測は、電池寿命に対するユーザの不安を緩和するだけでなく、バッテリーの管理に重要な情報を提供する。 本稿では,視覚変換器(ViT)モデルに基づくSOHの予測手法を提案する。
  論文  参考訳（メタデータ） (2022-09-07T16:54:15Z)
• Data Driven Prediction of Battery Cycle Life Before Capacity Degradation [0.0]
  本稿では,Kristen A. Seversonらが実施したデータと手法を用いて,研究チームが使用した方法論を探索する。 基本的な取り組みは、機械学習技術が、バッテリー容量を正確に予測するために、早期ライフサイクルデータを使用するように訓練されているかどうかを確認することである。
  論文  参考訳（メタデータ） (2021-10-19T01:35:12Z)
• 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。