文献

J-GLOBAL ID：202202216985562307   整理番号：22A0835127

改良GRUベース移動学習を用いた小型ターゲットサンプルセットのためのリチウムイオン電池充電状態推定【JST・京大機械翻訳】

Lithium-ion battery state-of-charge estimation for small target sample sets using the improved GRU-based transfer learning

著者 (4件)： Wang Ya-Xiong (School of Mechanical Engineering and Automation, Fuzhou University, Fuzhou, 350108, China) ,  Wang Ya-Xiong (National Engineering Laboratory for Electric Vehicles, Beijing Institute of Technology, Beijing, 100081, China) ,  Chen Zhenhang (School of Mechanical Engineering and Automation, Fuzhou University, Fuzhou, 350108, China) ,  Zhang Wei (Contemporary Amperex Technology Co, Limited (CATL), Ningde, 352100, China)
資料名： Energy  (Energy)
巻： 244  号： PB  ページ： Null  発行年： 2022年 
JST資料番号： H0631A  ISSN： 0360-5442  CODEN： ENEYDS  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： リチウムイオン電池の充電状態(SOC)の正確な推定は,実際の応用の非線形性と合併症を克服するための自動車電池管理システムのための重要な技術である。SOCを推定するためのデータ駆動アプローチは,多数の訓練サンプルと高価な入力を必要とする。この目的のために,小型ターゲットサンプル集合に対する改良ゲートリカレントユニット(GRU)ベース転送学習SOC推定を提案した。データ特徴の完全性と一貫性を確実にするために,Lagrange補間と標準正規化を用いてオープンソース電池データセットを分析した。ソースドメインGRUモデルを前処理データセットで豊富な電池特性を得るために事前訓練した。GRU隠れユニット構造は強化でき,転送学習と連動して有利である。さらに,ソースドメインの重みパラメータを,目標電池のGRUモデルに移した。実験結果は,提案した改良GRUベースの転送学習が,通常の計算ハードウェアによる高速かつ正確なSOC推定を達成するために,小さなターゲットサンプルを使用することができることを示した。特に,RMSEsは,動的条件,22°C-FUDS,36°C-US06,および50°C-UDDSで,それぞれ,1.115%,1.867%,および1.141%であった。提案方法は,実際に小型ターゲットサンプルベースのビッグデータ技術を用いてSOC推定の可能性を示す。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： *電池 ,  *学習 ,  管理システム ,  自動車 ,  *充電 ,  モデル ,  ハードウェア ,  集合 ,  パラメータ ,  *状態 ,  正規化 ,  データフロー制御 ,  合併症 ,  *リチウムイオン電池
準シソーラス用語： オープンソース ,  *充電状態 ,  データ駆動 ,  ビッグデータ , 【Automatic Indexing@JST】

著者キーワード (6件)： 充電状態(SOC) ,  オープンソース電池データセット ,  深層学習 ,  ゲート付きリカレントユニット(GRU) ,  ソースドメインモデル ,  転移学習

分類 (1件)： 二次電池  (YB04030K)

タイトルに関連する用語 (6件)： 学習 ,  ターゲット ,  サンプル ,  リチウムイオン電池 ,  充電状態 ,  推定