要約
バッテリ寿命の推定は、バッテリのパフォーマンスを最適化し、バッテリ駆動システムの効率と信頼性を向上させるために劣化を最小限に抑えるために重要です。
リチウムイオン電池 (LiB) の残存耐用年数 (RUL) を予測する既存の方法では、非線形劣化軌跡をモデル化するために電池パラメータの関係依存性が無視されています。
複雑な相互作用を捕捉するためにバッテリーパラメータ間の離散依存関係グラフ構造を組み込むことを共同学習するBattery GraphNetsフレームワークと、RUL予後のための本質的なバッテリー劣化をモデル化するグラフ学習アルゴリズムを紹介します。
提案された方法は、公開されているバッテリー データセットでいくつかの一般的な方法を大幅に上回り、SOTA パフォーマンスを達成します。
我々は、我々のアプローチの有効性を裏付けるアブレーション研究を報告する。
要約(オリジナル)
Battery life estimation is critical for optimizing battery performance and guaranteeing minimal degradation for better efficiency and reliability of battery-powered systems. The existing methods to predict the Remaining Useful Life(RUL) of Lithium-ion Batteries (LiBs) neglect the relational dependencies of the battery parameters to model the nonlinear degradation trajectories. We present the Battery GraphNets framework that jointly learns to incorporate a discrete dependency graph structure between battery parameters to capture the complex interactions and the graph-learning algorithm to model the intrinsic battery degradation for RUL prognosis. The proposed method outperforms several popular methods by a significant margin on publicly available battery datasets and achieves SOTA performance. We report the ablation studies to support the efficacy of our approach.
arxiv情報
| 著者 | Sakhinana Sagar Srinivas,Rajat Kumar Sarkar,Venkataramana Runkana |
| 発行日 | 2024-08-14 15:44:56+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google