文献

J-GLOBAL ID：202202236429657030   整理番号：22A1115790

高速充電リチウムイオン電池のための移動学習に基づく適応オンライン容量予測【JST・京大機械翻訳】

Adaptive online capacity prediction based on transfer learning for fast charging lithium-ion batteries

著者 (4件)： Chen Zhang (Sino-German College of Intelligent Manufacturing, Shenzhen Technology University, Shenzhen, 518118, China) ,  Shen Wenjing (Sino-German College of Intelligent Manufacturing, Shenzhen Technology University, Shenzhen, 518118, China) ,  Chen Liqun (College of Urban Transportation and Logistics, Shenzhen Technology University, Shenzhen, 518118, China) ,  Wang Shuqiang (Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen, 518055, China)
資料名： Energy  (Energy)
巻： 248  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： 電池のエージングは複雑であり,内部および外部因子の両方に依存する。高速充電はセル対セル差を増幅し,電池容量予測をより困難にする。本論文では,高速充電の下での適応オンライン容量予測のために,長い短期メモリネットワークベースの転送学習モデルを提案した。最初に,約10分の充電の80%状態への充電の新しい電圧特性を紹介した。スライディングウィンドウを設計して,電圧特性とサイクル数を統合した。この特徴は,非常に実用的であり,すべての高速充電条件で容易に測定できる。第2に,セル対セル差に対処し,モデル適応性を改善するために,高および低類似性タスクの両者による交差検証法を実行し,最適ハイパーパラメータを導いた。次に,オフラインモデルを,既存の完全電池寿命データを用いて訓練することができた。第3に,新しい電池データの到着によって,モデルを完全接続層で微調整することができた。よく調整したモデルはオンライン容量予測に適用できる。他の4つの特徴を比較し,提案した特徴の優位性を証明した。異なる高速充電条件による6つの実験を行い,提案した方法の有効性と適応性を検証した。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： *電池 ,  *学習 ,  学習モデル ,  適応性 ,  *充電 ,  モデル ,  条件 ,  状態 ,  有効性 ,  加齢 ,  電池容量 ,  *リチウムイオン電池
準シソーラス用語： スライディングウィンドウ ,  *オンライン ,  電池寿命 , 【Automatic Indexing@JST】

著者キーワード (6件)： リチウムイオン電池 ,  容量予測 ,  高速充電 ,  統合特徴 ,  適応性 ,  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)： 充電 ,  リチウムイオン電池 ,  学習 ,  適応 ,  オンライン ,  予測