文献

J-GLOBAL ID：202202212607292291   整理番号：22A0568501

マルチニューラルネットワーク学習アルゴリズムを用いたライフサイクル経済を改善するための二重状態フィードバックによる電池老化を意識したエネルギー管理戦略【JST・京大機械翻訳】

Battery aging-aware energy management strategy with dual-state feedback for improving life cycle economy by using multi-neural networks learning algorithm

著者 (2件)： Lin Xinyou (College of Mechanical Engineering and Automation, Fuzhou University, Fuzhou, Fujian 350108, China) ,  Zhang Jiajin (College of Mechanical Engineering and Automation, Fuzhou University, Fuzhou, Fujian 350108, China)
資料名： Journal of Energy Storage  (Journal of Energy Storage)
巻： 46  ページ： Null  発行年： 2022年 
JST資料番号： W3042A  ISSN： 2352-152X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ランダム運転サイクルにおけるリアルタイム制御を達成し,プラグインハイブリッド電気自動車(PHEV)のための電池寿命を長くするために,二重状態フィードバック制御による電池劣化意識エネルギー管理戦略を,ライフサイクルコスト(LCC)を最小化するために,多重ニューラルネットワーク(Multi-NN)学習アルゴリズムに基づいて提案した。最初に,リアルタイム戦略知識学習のために調製したオフライン最適制御結果を,改良Pontryagin最小原理(PMP)によって得た。第二に,ニューラルネットワーク学習のための列車データを決定するために,決定係数を導入する。さらに,k-平均アルゴリズムを用いてオフライン最適制御シーケンスを3つのサブデータクラスタにクラスタ化し,それをサブニューラルネットワークの訓練データとして用いた。次に,一般化回帰ニューラルネットワークに基づくオンライン駆動パターン認識法を,対応するサブニューラルネットワークを選択するために訓練した。最後に,参照SOCと参照有効Ahスループットを導入することによって,二重状態フィードバック制御をエネルギー管理戦略に適用した。シミュレーション検証は,提案した戦略のLCCが3つのランダム運転サイクルの下で電池老化を考慮するPMPのLCCに類似であり,LCCがCD-CSと比較して20.97,22.25,および22.28%減少したことを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  シミュレーション ,  *電池 ,  パターン認識 ,  *学習 ,  *ライフサイクル ,  *ニューラルネットワーク ,  クラスタ化 ,  多重化 ,  クラスタ ,  スループット ,  回線接続 ,  *学習アルゴリズム
準シソーラス用語： オンライン ,  プラグイン ,  運転サイクル , 【Automatic Indexing@JST】

著者キーワード (5件)： 電池老化 ,  ニューラルネットワーク(NN) ,  エネルギー管理 ,  Pontryaginの最小原理(PMP) ,  ライフサイクル経済

分類 (1件)： 電気自動車  (QG07020B)

タイトルに関連する用語 (11件)： マルチ ,  ニューラルネットワーク ,  学習アルゴリズム ,  ライフサイクル ,  経済 ,  状態フィードバック ,  電池 ,  老化 ,  意識 ,  エネルギー管理 ,  戦略