文献

J-GLOBAL ID：202202246046083981   整理番号：22A1154240

適応雑音-ゲートリカレントユニット融合モデルによる完全アンサンブル経験的モード分解に基づくリチウムイオン電池のための健康状態予測【JST・京大機械翻訳】

State-of-Health Prediction for Lithium-Ion Batteries Based on Complete Ensemble Empirical Mode Decomposition with Adaptive Noise-Gate Recurrent Unit Fusion Model

著者 (3件)： Xia Fei (College of Automation Engineering, Shanghai University of Electric Power, Shanghai, 200090, China) ,  Wang Kangan (College of Automation Engineering, Shanghai University of Electric Power, Shanghai, 200090, China) ,  Chen Jiajun (Department of Battery Development, Pegasus Power Energy Co., Ltd., Hangzhou, 310019, China)
資料名： Energy Technology  (Energy Technology)
巻： 10  号： 4  ページ： e2100767  発行年： 2022年 
JST資料番号： W2559A  ISSN： 2194-4288  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 健康状態(SOH)推定は,最も重要な電池管理システム(BMS)タスクの1つである。複雑な電池劣化機構によるSOH予測には課題が残っている。最も一般的な健康指標はリチウムイオン電池の容量である。容量再生現象に起因する容量の変動は,予測性能に深刻に影響する。SOH推定のための適応雑音(CEEMDAN)とゲートリカレントユニット(GRU)ベースの融合予測モデルによる新しい完全アンサンブル経験的モード分解を提案して,効果的に問題を解決した。最初に,CEEMDANアルゴリズムは元のSOHを局所変動と大域的劣化傾向に分解する。次に,GRUネットワークと自己回帰統合移動平均モデルを用いて,上記の傾向をそれぞれ予測した。次に,グローバル劣化傾向予測残差の平均値を計算するために,スライディングウィンドウを設計した。次に,第2のGRUアルゴリズムは,予測残差を修正するために使用することができた。最後に,前述の部品の予測結果を,最終的SOH推定を得るために組み合わせた。提案方法をNASAとCALCEデータセットからの実験的電池データによって検証する。結果は,融合方式が他の方法より高い推定精度とより強いロバスト性の両方を有することを示した。Copyright 2022 Wiley Publishing Japan K.K. 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 ,  *雑音 ,  *電池 ,  回帰分析 ,  ネットワーク ,  実験 ,  ニューラルネットワーク ,  残差 ,  精度 ,  *モデル ,  ロバスト性 ,  *リチウムイオン電池 ,  予測モデル
準シソーラス用語： *健康状態 ,  推定精度 ,  スライディングウィンドウ ,  自己回帰 , 【Automatic Indexing@JST】

著者キーワード (5件)： ARIMA ,  CEEMDAN ,  GRUニューラルネットワーク ,  リチウムイオン電池 ,  SOH

分類 (1件)： 二次電池  (YB04030K)

タイトルに関連する用語 (7件)： 適応 ,  雑音 ,  融合 ,  モデル ,  アンサンブル経験的モード分解 ,  リチウムイオン電池 ,  状態予測