論文の概要: Relative Discharge Stage (RDS) Classification: A Practical Indicator of Battery Discharge Progress
- arxiv url: http://arxiv.org/abs/2609.27986v1
- Date: Wed, 23 Sep 2026 12:14:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:18.012078
- Title: Relative Discharge Stage (RDS) Classification: A Practical Indicator of Battery Discharge Progress
- Title（参考訳）: 相対放電段階(RDS)分類:電池放電進展の指標
- Abstract要約: 本稿では,残りの放電状態を表す電池管理指標であるRelative Discharge Stage (RDS)を紹介する。
SOC推定と軽量時間学習を組み合わせた物理インフォームドRDS分類フレームワークを提案する。
2つの公共リチウムイオン電池データセットの実験では、負荷と温度の異なる条件下で80%を超える精度で、ロバストなRDS分類が示されている。
- 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 remaining discharge time (RDT) prediction is challenging in real-world battery applications because future load profiles are unknown and highly dynamic. To address the uncertainty of continuous RDT regression, this paper introduces Relative Discharge Stage (RDS), a battery-management indicator that represents the remaining discharge condition using five interpretable classes: Normal, Good, Moderate, Low, and Recharge Required. Unlike state of charge (SOC), which reflects the current charge level, RDS characterizes the remaining discharge process without requiring future-current information during inference. A physics-informed RDS classification framework is proposed, combining SOC estimation with lightweight temporal learning. The SOC-estimation component includes second-order ECM state and terminal-voltage prediction, hysteresis and OCV temperature correction, core-temperature estimation, and AEKF state correction, supported by OCV evaluation, online STC-ECM parameter adaptation, and pretrained neural residual-voltage correction. The measured current, terminal voltage, surface temperature, and estimated SOC are arranged into a sliding observation window and processed by a lightweight temporal convolutional network. Experiments on two public lithium-ion battery datasets demonstrate robust RDS classification, with accuracy exceeding 80% under varying load and thermal conditions.
- Abstract（参考訳）: 将来の負荷プロファイルが未知であり、非常にダイナミックであるため、現実のバッテリーアプリケーションでは、正確な残放電時間(RDT)予測が困難である。
RDTの連続回帰の不確実性に対処するため,本研究では,通常,善,適度,低,充電要求の5つのクラスを用いて,残りの放電状態を表す電池管理指標であるRelative Discharge Stage (RDS)を導入する。
現在の電荷レベルを反映する電荷状態(SOC)とは異なり、RDSは推論中に将来の電流情報を必要とせず、残りの放電過程を特徴付ける。
SOC推定と軽量時間学習を組み合わせた物理インフォーム付きRDS分類フレームワークを提案する。
SOC推定成分は、第2次ECM状態と終端電圧予測、ヒステリシスとOCV温度補正、コア温度推定、AEKF状態補正を含む。
測定された電流、端子電圧、表面温度、推定SOCをスライド観察窓に配置し、軽量の時間畳み込みネットワークで処理する。
2つの公共リチウムイオン電池データセットの実験では、負荷と温度の異なる条件下で80%を超える精度で、ロバストなRDS分類が示されている。
関連論文リスト
- Uncertainty-driven training for three-dimensional calibrated lung nodule classification [41.99844472131922]
モンテカルロ・ドロップアウト(MCD)とエビデンシャル・ディープ・ラーニング(EDL)の2つの不確実性定量化(UQ)手法の検討
本稿では,3次元CT肺結節分類のための不確実性駆動型トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-17T15:25:07Z) - 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) - Cross-Representation Benchmarking in Time-Series Electronic Health Records for Clinical Outcome Prediction [44.23284500920266]
このベンチマークは、2つの異なる臨床環境におけるデータキュレーションと評価を標準化する。
実験によると、イベントストリームモデルは、常に最強のパフォーマンスを提供する。
特徴選択戦略は臨床環境に適応する必要がある。
論文 参考訳（メタデータ） (2025-10-10T09:03:47Z) - A novel Neural-ODE model for the state of health estimation of lithium-ion battery using charging curve [9.443903055382071]
リチウムイオン電池(LIB)の健康状態(SOH)は、電気自動車の安全で信頼性の高い運転を保証するために重要である。
本稿では、一般化を改善するために、LIBのSOHを推定するためのデータ駆動型アプローチを提案する。
論文 参考訳（メタデータ） (2025-05-09T05:40:55Z) - Calibrating Language Models with Adaptive Temperature Scaling [58.056023173579625]
本稿では,各トークンの温度スケーリングパラメータを予測するポストホックキャリブレーション法であるAdaptive Temperature Scaling (ATS)を紹介する。
ATSは、以前のキャリブレーション法と比較して、3つの下流自然言語評価ベンチマークで10-50%以上のキャリブレーションを改善する。
論文 参考訳（メタデータ） (2024-09-29T22:54:31Z) - 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) - DIICAN: Dual Time-scale State-Coupled Co-estimation of SOC, SOH and RUL
for Lithium-Ion Batteries [6.930255986517943]
本稿では,Deep Inter and intra-Cycle Attention Network (DIICAN) という状態結合型協調推定手法を提案する。
DIICAN法はオックスフォード・バッテリ・データセット上で検証される。
論文 参考訳（メタデータ） (2022-10-20T14:42:20Z) - 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) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳（メタデータ） (2022-03-03T19:56:24Z) - A Transfer Learning-based State of Charge Estimation for Lithium-Ion
Battery at Varying Ambient Temperatures [14.419790834463548]
リチウムイオン電池(LiB)駆動デバイスに安定かつ効率的な環境を提供するためには、充電状態(SoC)推定が重要です。
ほとんどのデータ駆動SoCモデルは、温度に対するLiBの高感度を無視し、深刻な予測誤差を引き起こす可能性がある固定周囲温度のために構築されています。
提案手法は, 固定温度での予測誤差(例えば-20degCで24.35%, 25degCで49.82%)を低減させるだけでなく, 新温度での予測精度も向上する。
論文 参考訳（メタデータ） (2021-01-11T05:26:37Z)
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。