A Comparison of Baseline Models and a Transformer Network for SOC Prediction in Lithium-Ion Batteries

要約

リチウムイオン電池の充電状態を正確に予測することは、電気自動車の電池管理システムのパフォーマンスにとって不可欠です。
電気自動車の世界的な普及が遅れている主な理由の 1 つは、航続距離に対する不安です。
充電状態を正確に推定するバッテリー管理システムの機能は、この問題の軽減に役立ちます。
この論文では、データ駆動型の充電状態推定手法の比較が行われます。
この論文では、SOC 推定のためのさまざまなニューラル ネットワーク ベースのモデルと一般的な回帰モデルを比較しています。
これらのモデルには、いくつかのアブレーション変換ネットワーク、ニューラル ネットワーク、ラッソ回帰モデル、線形回帰モデル、および決定木が含まれます。
BMW i3 バッテリーの自然な運転サイクルから得られたデータに対して行われたさまざまな実験の結果は、ディシジョン ツリーが自己注意と位置エンコーディングを備えたより複雑な変圧器ネットワークを含む他のすべてのモデルよりも優れていることを示しています。

要約(オリジナル)

Accurately predicting the state of charge of Lithium-ion batteries is essential to the performance of battery management systems of electric vehicles. One of the main reasons for the slow global adoption of electric cars is driving range anxiety. The ability of a battery management system to accurately estimate the state of charge can help alleviate this problem. In this paper, a comparison between data-driven state-of-charge estimation methods is conducted. The paper compares different neural network-based models and common regression models for SOC estimation. These models include several ablated transformer networks, a neural network, a lasso regression model, a linear regression model and a decision tree. Results of various experiments conducted on data obtained from natural driving cycles of the BMW i3 battery show that the decision tree outperformed all other models including the more complex transformer network with self-attention and positional encoding.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google