論文の概要: Real-Time State-of-Health Estimation and Online Degradation Prognosis from Partial Battery Discharge Using Physics-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2608.14764v1
- Date: Fri, 14 Aug 2026 10:34:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.073256
- Title: Real-Time State-of-Health Estimation and Online Degradation Prognosis from Partial Battery Discharge Using Physics-Informed Neural Networks
- Title（参考訳）: 物理インフォームドニューラルネットワークを用いた部分電池放電のリアルタイム状態推定とオンライン劣化予測
- Abstract要約: 任意の電圧範囲から抽出した不完全放電曲線を用いたリチウムイオン電池SOH予測のための物理インフォームド深層学習手法を提案する。
提案手法は,データ駆動学習と物理的に動機付けられた劣化ダイナミクスを組み合わせることで,一貫した信頼性の高いSOH推定を実現する。
- 参考スコア（独自算出の注目度）: 2.3099144596725565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the increasing integration of renewable energy sources, energy storage systems have become essential, making the accurate estimation of their State of Health (SOH) and degradation behavior critical. In this work, we propose a physics-informed deep learning approach for lithium-ion battery SOH prediction using incomplete discharge curves extracted from arbitrary voltage ranges, thereby reflecting realistic and heterogeneous operating conditions. The proposed method combines data-driven learning with physically motivated degradation dynamics to ensure consistent and reliable SOH estimation from partial discharge information, achieving a MAPE below 4$\%$. In addition, a real-time degradation trend estimation strategy is introduced to detect key aging transitions without requiring prior knowledge or historical data, making it applicable to a wide range of batteries. Overall, our approach enables SOH estimation from arbitrary discharge segments and a real-time degradation forecast that continuously integrates all usage, overcoming previous methods that rely on fixed protocols or early, non-adaptive predictions.
- Abstract（参考訳）: 再生可能エネルギー源の統合が進み、エネルギー貯蔵システムが不可欠となり、その状態(SOH)の正確な推定と劣化挙動が重要になっている。
本研究では、任意の電圧範囲から抽出した不完全放電曲線を用いたリチウムイオン電池SOH予測のための物理インフォームド深部学習手法を提案する。
提案手法は,データ駆動学習と物理的に動機付けられた劣化ダイナミクスを組み合わせることで,部分放電情報から一貫した信頼性の高いSOH推定を実現し,MAPEを4$\%以下で達成する。
さらに、事前の知識や履歴データを必要とせず、キーの経年変化を検出するリアルタイム劣化傾向推定戦略を導入し、幅広い電池に適用する。
提案手法は,任意の放電セグメントからのSOH推定と,固定されたプロトコルや非適応的予測に頼っていた従来の手法を克服し,連続的にすべての使用法を統合するリアルタイム劣化予測を実現する。
関連論文リスト
- PiDDM: Physics-Informed Differentiable Degradation Modeling for Lithium-Ion Battery State-of-Health Prediction [2.9577202646353284]
健康予測のための物理インフォームド微分分解モデリングフレームワークを開発した。
フレームワークは、固体電解質間相成長とリチウム在庫の喪失に関連する経験的アレニウス分解速度論を訓練目的に組み込む。
論文 参考訳（メタデータ） (2026-07-31T07:19:26Z) - 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) - 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 Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。
逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。
本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
論文 参考訳（メタデータ） (2025-05-16T17:00:52Z) - Graph neural network-based lithium-ion battery state of health estimation using partial discharging curve [16.570091013381266]
本稿では, リチウムイオン電池の健康状態(SOH)を推定するために, グラフ時間ネットワーク(GCN)を活用した革新的なアプローチを提案する。
本手法は,マトリックスプロファイル異常検出アルゴリズムを用いて放電電圧セグメントを系統的に選択する。
広く受け入れられているオープンソースデータセットによる検証により,ルート平均2乗誤差が1%未満の精度でSOH推定が可能であることが示された。
論文 参考訳（メタデータ） (2024-08-30T02:14:53Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Adapting Amidst Degradation: Cross Domain Li-ion Battery Health Estimation via Physics-Guided Test-Time Training [19.606703130917325]
リチウムイオン電池(LIB)の健康モデリングは、安全で効率的なエネルギー管理に不可欠であり、社会経済的に重要な意味を持つ。
本稿では,劣化中の各対象データ(UTD)を連続的に使用してモデルを適応させる,実践的なテストタイムトレーニングフレームワークであるBatteryTTTを紹介する。
それぞれのUTDを完全に活用するために、BatteryTTTはPhyscics-Guided Test-Time Trainingと呼ばれる、現代のLIB固有の物理法則を自己教師付き学習に統合する。
論文 参考訳（メタデータ） (2024-01-30T14:47:15Z) - Cerberus: A Deep Learning Hybrid Model for Lithium-Ion Battery Aging
Estimation and Prediction Based on Relaxation Voltage Curves [7.07637687957493]
本稿では,ディープラーニングに基づくキャパシティ老化推定と予測のためのハイブリッドモデルを提案する。
提案手法は, チャージサイクルと放電サイクルを含む新しいデータセットに対して, 様々な速度で検証する。
論文 参考訳（メタデータ） (2023-08-15T15:07:32Z) - Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。
歴史的情報を適切に再利用するオンライン手法を提案する。
我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
論文 参考訳（メタデータ） (2023-02-06T04:03:33Z) - Transfer Learning-based State of Health Estimation for Lithium-ion
Battery with Cycle Synchronization [16.637948430296227]
バッテリーの健康状態(SOH)を正確に推定することは、バッテリー駆動アプリケーションの予期せぬ失敗を防ぐのに役立ちます。
新たなバッテリのモデルトレーニングにおけるデータ要件の低減という優位性により,トランスファーラーニング(TL)が有望な機械学習アプローチとして出現する。
本稿では、時間的ダイナミクスを利用してTLに基づくSOH推定を解釈し、伝達学習を支援する手法を提案する。
論文 参考訳（メタデータ） (2022-08-23T21:40:40Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。