論文の概要: C2L-Net: A Data-Driven Model for State-of-Charge Estimation of Lithium-Ion Batteries During Discharge

• arxiv url: http://arxiv.org/abs/2605.08653v1
• Date: Sat, 09 May 2026 03:47:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.794458
• Title: C2L-Net: A Data-Driven Model for State-of-Charge Estimation of Lithium-Ion Batteries During Discharge
• Title（参考訳）: C2L-Net:放電中のリチウムイオン電池の電流状態推定のためのデータ駆動モデル
• Abstract要約: C2L-Netは、リアルタイムなオンラインSOC推定のための、コンテキストから最新のデータ駆動フレームワークである。 既存のショート・レセプティブ・フィールド・モデルやロング・ヒストリー・モデルとは異なり、提案フレームワークはコンテキストエンコーディングを最新の計測更新から明確に分離する。 C2L-Netは60倍高速な推論を実現し、最近のデータ駆動ベースラインよりも少ないパラメータを必要とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate state-of-charge (SOC) estimation is critical for the safe and efficient operation of lithium-ion batteries in battery management systems (BMS). Although data-driven approaches can effectively capture nonlinear battery dynamics, many existing methods rely on long historical input sequences, resulting in high computational cost and introducing padding-induced positional bias at the beginning of drive cycles. To address these limitations, we propose C2L-Net, a novel context-to-latest data-driven framework for realistic online SOC estimation using only a short historical window (20 s). Unlike existing short-receptive-field or long-history models, the proposed framework explicitly separates contextual encoding from latest-measurement updating, enabling both efficient temporal modeling and rapid adaptation to dynamic battery states. The proposed model incorporates a chunk-based feature extraction mechanism that combines Theta Attention Pooling with a Fourier-based Seasonality Basis to capture local temporal patterns while reducing sequence length. A causal context encoder, integrating a gated recurrent unit (GRU) with Causal Cosine Attention, models temporal dependencies without information leakage. Furthermore, a latest-measurement decoder, inspired by recursive filtering, updates the contextual state using the most recent measurement, enhancing responsiveness to dynamic operating conditions. Extensive experiments on a public lithium-ion battery drive-cycle dataset under multiple fixed-temperature conditions demonstrate that the proposed method achieves state-of-the-art or competitive accuracy while significantly improving computational efficiency. In particular, C2L-Net achieves up to 60 times faster inference and requires fewer parameters than recent data-driven baselines, while maintaining robust performance across unseen driving profiles.
• Abstract（参考訳）: 電池管理システム(BMS)におけるリチウムイオン電池の安全かつ効率的な運転には、正確な充電状態推定(SOC)が不可欠である。 データ駆動型アプローチは非線形バッテリダイナミクスを効果的に捉えることができるが、多くの既存手法は長い履歴入力シーケンスに依存しており、計算コストが高く、駆動サイクルの開始時にパッドが引き起こす位置バイアスがもたらされる。 これらの制約に対処するため、C2L-Netを提案する。C2L-Netは、短い履歴ウィンドウ(20秒)のみを用いて、リアルタイムなオンラインSOC推定のための、コンテキストから最新のデータ駆動フレームワークである。 提案フレームワークは,従来の短受容場や長史モデルとは異なり,コンテキストエンコーディングを最新の計測更新から明確に分離し,効率的な時間的モデリングと動的バッテリ状態への迅速な適応を可能にする。 Theta Attention PoolingとFourier-based Seasonality Basisを組み合わせたチャンクベースの特徴抽出機構を組み込んで,シーケンス長を低減しつつ,局所的な時間パターンをキャプチャする。 因果コンテキストエンコーダは、ゲートリカレントユニット(GRU)とCausal Cosine Attentionを統合することで、情報漏洩のない一時的な依存関係をモデル化する。 さらに、再帰的フィルタリングにインスパイアされた最新の測定デコーダは、最新の測定値を用いてコンテキスト状態を更新し、動的動作条件に対する応答性を向上させる。 複数の固定温度条件下での公共リチウムイオン電池駆動サイクルデータセットの広範囲な実験により,提案手法は計算効率を著しく向上しつつ,最先端ないし競争的な精度を達成できることを示した。 特に、C2L-Netは最大60倍高速な推論を実現し、最近のデータ駆動ベースラインよりも少ないパラメータを必要とする。

関連論文リスト

• AI-Driven Surrogate Models for Predicting Electrode-Scale Discharge Behavior in Lithium-Ion Batteries [47.27974914502511]
  本研究では,Swin3D Transformerに基づくディープラーニングサロゲートパイプラインを導入し,データから直接放電ダイナミクスを予測する。 提案手法は計算オーバーヘッドを桁違いに削減し,高スループットバッテリー設計と最適化のためのスケーラブルで効率的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-07-22T09:10:48Z)
• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• Accelerating Time Series Foundation Models with Speculative Decoding [46.99742287518152]
  大規模トランスフォーマーベースのモデルは、時系列予測において最先端のパフォーマンスを達成したが、高い計算コストに悩まされている。 本稿では、投機的復号化を自己回帰時系列モデルに適応させる一般的な推論加速フレームワークを提案する。 我々のアプローチでは、より小さな"ドラフト"モデルを用いて、将来の時系列パッチを提案し、さらに大きな"ターゲット"モデルによって並列に検証する。
  論文  参考訳（メタデータ） (2025-11-22T21:04:57Z)
• Fixed Point Neural Acceleration and Inverse Surrogate Model for Battery Parameter Identification [5.094264803596951]
  電気化学電池モデルのパラメータ同定のためのディープラーニングに基づくフレームワークを提案する。 提案フレームワークは, 単一粒子モデルのニューラルサロゲートモデルと電解質 (NeuralSPMe) と深層学習に基づく固定点反復法を組み合わせたものである。
  論文  参考訳（メタデータ） (2025-10-28T07:20:38Z)
• SEMPO: Lightweight Foundation Models for Time Series Forecasting [45.456949943052116]
  SEMPOは比較的小規模なデータに対する事前トレーニングを必要とする軽量な基礎モデルであるが、強い時系列予測を示す。 SEMPOは、1)エネルギーを意識したSpEctral分解モジュールと、事前学習データの利用を大幅に改善する2つの重要なモジュールから構成される。 16のデータセットをカバーする2つの大規模ベンチマークの実験は、ゼロショットと少数ショットの予測シナリオの両方でSEMPOの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-22T15:58:44Z)
• SeqBattNet: A Discrete-State Physics-Informed Neural Network with Aging Adaptation for Battery Modeling [0.0]
  本稿では,電池モデルに老化適応を組み込んだ離散状態PINNであるSeqBattNetを提案する。 モデルは3つの基本的なバッテリパラメータしか必要とせず、単一のセルからのデータに基づいてトレーニングすることで、堅牢なパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-09-22T11:33:17Z)
• CSGO: Generalized Optimization for Cold Start in Wireless Collaborative Edge LLM Systems [62.24576366776727]
  本稿では,全体の推論遅延を最小限に抑えるために,遅延を考慮したスケジューリングフレームワークを提案する。 提案手法は,ベースライン戦略と比較して,コールドスタート遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2025-08-15T07:49:22Z)
• BatteryBERT for Realistic Battery Fault Detection Using Point-Masked Signal Modeling [1.7397173676239939]
  本稿では,バッテリー故障検出のためのBERTスタイルの事前学習を適応する新しいフレームワークを提案する。 標準のBERTアーキテクチャを、カスタマイズされた時系列からトーケン表現モジュールと、ポイントレベルのマスケッド信号モデリング(point-MSM)プリトレーニングタスクで拡張する。 このアプローチは、シーケンシャル電流、電圧、その他の電荷放電サイクルデータに対する自己教師付き学習を可能にする。
  論文  参考訳（メタデータ） (2025-05-31T06:06:08Z)
• End-to-End Framework for Predicting the Remaining Useful Life of Lithium-Ion Batteries [0.04660328753262073]
  本稿では、最近のチャージ放電サイクルのデータを利用して残りの使用可能なサイクル数を推定するRUL予測手法を提案する。 このアプローチは、新しい信号処理パイプラインとディープラーニング予測モデルの両方を導入している。 2つの一般公開された大規模データセットの実験結果から,提案手法がベースライン深層学習手法と機械学習技術より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-22T13:28:18Z)
• Bisimulation metric for Model Predictive Control [44.301098448479195]
  Bisimulation Metric for Model Predictive Control (BS-MPC) は、目的関数にbisimulation metric lossを組み込んでエンコーダを直接最適化する新しい手法である。 BS-MPCは、トレーニング時間を削減することにより、トレーニング安定性、入力ノイズに対する堅牢性、および計算効率を向上させる。 我々は,DeepMind Control Suiteから連続制御および画像ベースタスクのBS-MPCを評価する。
  論文  参考訳（メタデータ） (2024-10-06T17:12:10Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Mitigating Data Redundancy to Revitalize Transformer-based Long-Term Time Series Forecasting System [46.39662315849883]
  本稿では,カリキュラム学習とメモリ駆動デコーダによる冗長性を緩和する新しいフレームワークであるCLMFormerを紹介する。 CLMFormerはTransformerベースのモデルを最大30%改善し、長距離予測の有効性を示している。
  論文  参考訳（メタデータ） (2022-07-16T04:05:15Z)
• Lithium-ion Battery State of Health Estimation based on Cycle Synchronization using Dynamic Time Warping [13.19976118887128]
  健康状態推定(SOH)は、電池容量の減少による予期せぬ故障を避けるために、電池駆動アプリケーションにおいて重要な役割を担っている。 本稿では、動的時間ワープを用いて、既存の座標系を変更するための革新的なサイクル同期手法を提案する。 提案手法は,時系列の時間情報を活用することで,時間指標と元の測定値を新しい指標に組み込んで,電池劣化状況を反映する。
  論文  参考訳（メタデータ） (2021-09-28T02:53:54Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。