論文の概要: Early Cycle Charge Trajectory Generative Prediction and Full Life Cycle Health Management of Iron-Chromium Flow Batteries Based on FlowBD-E1
- arxiv url: http://arxiv.org/abs/2608.14637v1
- Date: Tue, 28 Jul 2026 09:02:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-23 14:54:39.930472
- Title: Early Cycle Charge Trajectory Generative Prediction and Full Life Cycle Health Management of Iron-Chromium Flow Batteries Based on FlowBD-E1
- Title（参考訳）: FlowBD-E1に基づく鉄-クロム流電池の初期サイクル電荷軌道生成予測と全ライフサイクル健康管理
- Abstract要約: 初期のサイクル生成予測フレームワークであるFlowBD-E1は、最初の数サイクルから完全な将来の電荷V/I軌道を予測する。
その結果, 早期サイクルの軌道生成は, 短時間の委託記録をフローバッテリ管理のための長期診断信号に変換できることが示唆された。
- 参考スコア（独自算出の注目度）: 3.6963089752268687
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-duration stationary energy storage requires batteries whose degradation can be detected before substantial capacity loss has accumulated. Iron-chromium redox flow batteries are attractive for this role because they use abundant and low-cost active species, yet their operation is shaped by slow chromium kinetics, hydrogen evolution, membrane crossover and electrolyte imbalance. These coupled processes gradually reshape the full charge voltage/current (V/I) trajectory, but most battery prognostic studies either focus on lithium-ion cells or compress ageing into scalar capacity and state-of-health (SOH) labels. Here we study an industrial 33 kW Fe-Cr redox flow battery and introduce FlowBD-E1, an early-cycle generative forecasting framework that predicts complete future charge V/I trajectories from only the first few cycles. The model combines a multi-scale convolutional encoder, a lifecycle Transformer and an age-aware FiLM decoder, and we compare three deployment strategies: single-step latent extrapolation (SLE), recursive latent forecasting (RLF) and teacher-forced updating (TFU). Using the first 9 of 289 cycles, RLF achieved a joint V/I mean absolute percentage error (MAPE) of 0.731% over the remaining lifecycle and produced SOH estimates below 1% MAPE. Ablation and independent-sequence tests showed that the age-aware generative architecture outperformed LSTM and TCN baselines and retained sub-percent errors under industrial validation. These results suggest that early-cycle trajectory generation can turn a short commissioning record into a long-horizon diagnostic signal for flow-battery management.
- Abstract（参考訳）: 長期の定常エネルギー貯蔵には、相当な容量損失が蓄積される前に劣化を検出する電池が必要である。
鉄-クロムレドックスフロー電池は、多量で低コストな活性種を使用するため、この役割には魅力的なものであるが、その動作は遅いクロムの速度論、水素の進化、膜クロスオーバー、電解質の不均衡によって形成されている。
これらの結合されたプロセスは、徐々にフル充電電圧/電流(V/I)軌道を形作るが、ほとんどのバッテリの予後研究はリチウムイオン電池に焦点をあてるか、スカラー容量に老化を圧縮し、SOH(State-of-health)ラベルを付ける。
本稿では,産業用33kWのFe-Crレドックスフロー電池について検討し,最初の数サイクルで完全な将来電荷V/I軌道を予測する早期サイクル生成予測フレームワークであるFlowBD-E1を紹介する。
このモデルは、マルチスケールの畳み込みエンコーダ、ライフサイクルトランスフォーマー、および年齢対応FiLMデコーダを組み合わせており、単一ステップ潜時外挿(SLE)、再帰潜時予測(RLF)、教師強化更新(TFU)の3つの展開戦略を比較する。
RLFは289サイクルの最初の9サイクルを使用して、残りのライフサイクルで0.731%の絶対パーセンテージ誤差(MAPE)を達成し、SOH推定値を1%以下とした。
アブレーション法および独立系列法では, LSTMおよびTCNベースラインよりも年齢認識型生成アーキテクチャが優れ, 工業的検証下での誤差は少なかった。
これらの結果から, 早期サイクル軌道生成は, 短時間の委託記録をフローバッテリ管理のための長期診断信号に変換することが示唆された。
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) - Graph Diffusion Residuals for Control-Function Instrumental Variables [82.39671985893028]
高容量の第1段階は治療を補間し、結果方程式の残余情報はほとんど残らない。
フレキシブル制御機能のための決定論的グラフ拡散残差抽出器であるAdaptive Anisotropic Instrumental Heat Flow (A-IHF) について検討した。
A-IHFは、処理を第一段階の特徴のグラフ上の信号として扱い、パイロット拡散を用いて大きな処理ジャンプを検出し、それらのジャンプのコンダクタンスを減衰させ、スパースグラフ分解剤で生成された制御を計算する。
論文 参考訳（メタデータ） (2026-06-12T17:02:53Z) - World Model for Battery Degradation Prediction Under Non-Stationary Aging [1.2891210250935148]
本稿では,世界モデル問題としてバッテリ劣化予後を定式化する。
各サイクルから生の電圧、電流、温度の時系列を遅延状態に符号化する。
学習したダイナミクスの遷移を通じて前進し、将来の80サイクルにわたる軌道を生成する。
論文 参考訳（メタデータ） (2026-03-11T08:30:15Z) - From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。
OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。
ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-02-20T18:58:43Z) - A Lightweight Transfer Learning-Based State-of-Health Monitoring with Application to Lithium-ion Batteries in Autonomous Air Vehicles [53.158733310637295]
トランスファーラーニングは、データ豊富なソース作業条件から知識を活用するための有望なテクニックである。
従来のTL-based state-of-health(SOH)モニタリングは、ポータブルモバイルデバイスに適用すると実現不可能である。
本稿では,CITLを用いた軽量SOHモニタリング手法を提案する。
論文 参考訳（メタデータ） (2025-12-09T11:54:09Z) - Onboard Health Estimation using Distribution of Relaxation Times for Lithium-ion Batteries [0.0]
健常高齢者5例とサイクリング高齢者17例のインピーダンススペクトロスコピー(EIS)データを用いて,SOH(State-of-Health)推定を行った。
10種類の異なるテストセットでテストすることでモデル性能を検証し、平均 RMSPE は1.69% である。
論文 参考訳（メタデータ） (2024-10-20T04:04:53Z) - Early-Cycle Internal Impedance Enables ML-Based Battery Cycle Life Predictions Across Manufacturers [2.9117750917060574]
電圧容量プロファイルデータにのみ依存する特徴を構成する手法は、通常、セルケミストリーをまたいだ一般化に失敗する。
本研究では、従来の電圧容量特性と直流内部抵抗(DCIR)測定を組み合わせた手法を提案する。
論文 参考訳（メタデータ） (2024-10-05T17:04:25Z) - Digital Twin for Real-time Li-ion Battery State of Health Estimation
with Partially Discharged Cycling Data [16.637948430296227]
リチウムイオン電池(LIB)の健康状態(SOH)推定は劣化特性と密接な関係がある。
提案したディジタルツインソリューションは、リアルタイムなSOH推定を可能にする3つのコアコンポーネントから構成される。
本手法は, サイクル中のサンプリング時間の大半に対して, 誤差が1%未満のリアルタイムSOH推定を行う。
論文 参考訳（メタデータ） (2022-12-09T01:30:10Z) - A Transferable Multi-stage Model with Cycling Discrepancy Learning for
Lithium-ion Battery State of Health Estimation [18.980782609740082]
電池の完全ライフサイクルの多重劣化パターンは、伝達学習(TL)の追求を困難にしている
移動可能な多段SOH推定モデルを提案し,4段階からなる電池間TLを実現する。
提案手法は,3つのバッテリを用いたラン・ツー・フェイル・ベンチマークにおいて,様々な転送タスクにおける競合アルゴリズムよりも優れる。
論文 参考訳（メタデータ） (2022-09-01T02:59:46Z) - Principal Component Density Estimation for Scenario Generation Using
Normalizing Flows [62.997667081978825]
低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。
当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
論文 参考訳（メタデータ） (2021-04-21T08:42:54Z) - 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。