論文の概要: Pace: Physics-Aware Attentive Temporal Convolutional Network for Battery Health Estimation

• arxiv url: http://arxiv.org/abs/2512.11332v2
• Date: Tue, 16 Dec 2025 09:17:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 14:48:05.932144
• Title: Pace: Physics-Aware Attentive Temporal Convolutional Network for Battery Health Estimation
• Title（参考訳）: Pace: バッテリーの健康評価のための物理学的注意時間畳み込みネットワーク
• Authors: Sara Sameer, Wei Zhang, Dhivya Dharshini Kannan, Xin Lou, Yulin Gao, Terence Goh, Qingyu Yan,
• Abstract要約: Paceは、バッテリの健康評価のための物理学的な注意深い時間的畳み込みネットワークである。 本研究では,時間的効率的な符号化のための拡張時間的ブロック,コンテキストモデリングのためのチャンク型アテンションブロック,短期および長期の電池劣化パターンを融合するデュアルヘッド出力ブロックを含む3つのバッテリ固有モジュールを開発する。
• 参考スコア（独自算出の注目度）: 5.570789346088817
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Batteries are critical components in modern energy systems such as electric vehicles and power grid energy storage. Effective battery health management is essential for battery system safety, cost-efficiency, and sustainability. In this paper, we propose Pace, a physics-aware attentive temporal convolutional network for battery health estimation. Pace integrates raw sensor measurements with battery physics features derived from the equivalent circuit model. We develop three battery-specific modules, including dilated temporal blocks for efficient temporal encoding, chunked attention blocks for context modeling, and a dual-head output block for fusing short- and long-term battery degradation patterns. Together, the modules enable Pace to predict battery health accurately and efficiently in various battery usage conditions. In a large public dataset, Pace performs much better than existing models, achieving an average performance improvement of 6.5 and 2.0x compared to two best-performing baseline models. We further demonstrate its practical viability with a real-time edge deployment on a Raspberry Pi. These results establish Pace as a practical and high-performance solution for battery health analytics.
• Abstract（参考訳）: 電池は、電気自動車や電力グリッドエネルギー貯蔵のような現代のエネルギーシステムにおいて重要な要素である。 バッテリーシステムの安全性、コスト効率、持続可能性には、効果的なバッテリヘルス管理が不可欠である。 本稿では,バッテリヘルス評価のための物理認識型時間的畳み込みネットワークPaceを提案する。 Paceは、センサーの生計測と、等価回路モデルから派生した電池物理の特徴を統合している。 本研究では,時間的効率的な符号化のための拡張時間的ブロック,コンテキストモデリングのためのチャンク型アテンションブロック,短期および長期の電池劣化パターンを融合するデュアルヘッド出力ブロックを含む3つのバッテリ固有モジュールを開発する。 モジュールによってPaceは、さまざまなバッテリ使用条件下で、バッテリの状態を正確にかつ効率的に予測できる。 大規模なパブリックデータセットでは、Paceは既存のモデルよりもはるかに優れたパフォーマンスを示し、2つの最高のパフォーマンスベースラインモデルと比較して6.5と2.0倍の平均的なパフォーマンス改善を実現している。 Raspberry Pi上のエッジをリアルタイムにデプロイすることで、その実用性をさらに実証する。 これらの結果は、Paceをバッテリーの健康分析のための実用的で高性能なソリューションとして確立する。

関連論文リスト

• Enhanced Evolutionary Multi-Objective Deep Reinforcement Learning for Reliable and Efficient Wireless Rechargeable Sensor Networks [44.91945854166524]
  ワイヤレス充電式センサネットワーク(WRSN)とモバイル充電機能は、ネットワーク寿命を延ばすための有望なソリューションを提供する。 WRSNは、ノード生存率の最大化と充電エネルギー効率の最大化の間の本質的にのトレードオフから、重要な課題に直面している。
  論文  参考訳（メタデータ） (2025-10-24T03:30:00Z)
• 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)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• 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)
• A Mapping Study of Machine Learning Methods for Remaining Useful Life Estimation of Lead-Acid Batteries [0.0]
  State of Health (SoH) と Remaining Useful Life (RUL) は、バッテリーシステムの予測保守、信頼性、寿命の向上に貢献している。 本稿では,鉛蓄電池のSoHとRULを推定するための機械学習手法における最先端のマッピング研究について述べる。
  論文  参考訳（メタデータ） (2023-07-11T10:41:41Z)
• Enhanced Gaussian Process Dynamical Models with Knowledge Transfer for Long-term Battery Degradation Forecasting [0.9208007322096533]
  電気自動車のバッテリーの寿命や寿命の予測は、決定的かつ困難な問題だ。 多数のアルゴリズムが、バッテリ管理システムが収集したデータから利用できる機能を組み込んでいる。 この制限を克服できる高精度な手法を開発した。
  論文  参考訳（メタデータ） (2022-12-03T12:59:51Z)
• A Machine Learning-based Digital Twin for Electric Vehicle Battery Modeling [10.290868910435153]
  電気自動車(EV)は、経年劣化と性能劣化の影響を受ける。 本研究は,実行時のバッテリダイナミックスを正確に反映するように設計されたバッテリディジタルツイン構造を提案する。
  論文  参考訳（メタデータ） (2022-06-16T10:47:41Z)
• Optimizing a domestic battery and solar photovoltaic system with deep reinforcement learning [69.68068088508505]
  バッテリーと太陽光発電システムのコストの低下は、ソーラーバッテリーの家庭用システムの増加に繋がった。 本研究では,システム内の電池の充電および放電挙動を最適化するために,深い決定論的ポリシーアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2021-09-10T10:59:14Z)
• Dynamic Scheduling for Over-the-Air Federated Edge Learning with Energy Constraints [44.311278843238675]
  アナログ勾配アグリゲーションを用いた空対空FEELシステムについて検討する。 トレーニング性能を最適化するために,エネルギーを考慮した動的デバイススケジューリングアルゴリズムを提案する。 高度に不均衡なローカルデータ分布の下では、提案アルゴリズムは精度を4.9%向上させることができる。
  論文  参考訳（メタデータ） (2021-05-31T08:55:02Z)
• 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。