Apr, 2023

深度学习方法生成高保真度多样化的合成电池数据集

PDF
TL;DR本研究提出了使用深度学习方法来合成高保真度电池数据集的方法以解决数据不足的问题，以帮助电池研究人员建立更好的估算模型。
electric vehiclesbattery storage systemslithium-ion batteriesstate-of-charge estimationdeep learning
发现论文，激发创造
  • 利用生成式人工智能生成全面的锂电池充电数据

    通过引入 End of Life (EOL) 和 Equivalent Cycle Life (ECL) 作为生成 AI 模型的条件，该研究开发了一种经过改进的条件变分自编码器（RCVAE），通过将数据预处理成准视频格式，实现了电化学数据的综合合成，可以生成特定的电化学数据用于 EOL 和 ECL 的超定监督条件。此方法为用户提供了综合的电化学数据集，开创了锂电池数据人工合成的新研究领域，并可以基于详细的合成数据计算各种电池状态指标，为锂电池性能预测提供了新的视角和可能性。

    Apr, 2024

  • 自动驾驶的合成数据集：一项调查

    本研究综述了合成数据集生成方法的演变，并回顾了应用于自动驾驶研究的单任务和多任务合成数据集的相关工作，讨论了其在自动驾驶相关算法测试中的作用，尤其是在可信性和安全性方面。此外，该综述还讨论了合成数据集在自动驾驶技术实际部署方面的问题，并提供了一种可能的解决方案。

    Apr, 2023

  • 使用合成数据增广消除数据集偏差

    本文探讨使用有针对性的合成数据增强 - 结合游戏引擎模拟和 sim2real 风格转移技术 - 填补视觉任务的真实数据集中的空缺。在三种不同的计算机视觉任务中（停车位检测，车道检测和单 ocular 深度估计），实证研究一致表明，将合成数据与真实数据混合训练能够显著提高交叉数据集的泛化性能。

    Apr, 2020

  • 电池电动汽车充电行为的预测：一种采用微聚类和 SMOTE 技术的深度学习方法

    本研究开发了一种新的微聚类深度神经网络（MCDNN）算法，通过学习电动汽车行程和充电数据来预测充电事件，为电力负荷聚合器和电力管理者提供充电站和电力容量的有效分配。数值发现表明，所提出的 MCDNN 在预测充电事件方面比支持向量机、k 最近邻、决策树和其他基于神经网络的模型更有效。

    Jul, 2023

  • 基于驾驶行为的机器学习电动车电池健康监测

    开发了一种考虑驾驶行为的特征提取方法，通过评估在真实驾驶情况下特征的获取概率，实现了可靠的电池健康监测，并突出了在开发面向特征的电池健康监测算法时平衡性能和实用性的重要性。

    Sep, 2023

  • BatteryML：一个用于电池衰减机器学习的开源平台

    BatteryML 是一个一站式、全面、开源的平台，旨在统一数据预处理、特征提取和传统与先进模型的实施，以增强研究应用的实用性和效率。

    Oct, 2023

  • 基于机器学习的电动汽车电池建模数字孪生

    通过数据驱动的模型和数字孪生结构，提高电动汽车电池的能量密度和运行效率，并有效地监视电池的状态和健康状况，以应对现有电池在容量衰退和性能衰减方面的局限性。

    Jun, 2022

  • 使用 CNN EfficientNet 和 IGTD 算法进行电池电动汽车电荷水平的预测建模

    应用卷积神经网络方法分析表格数据集，通过图片生成算法将表格数据集转化为图片数据集，同时采用了其他 CNN 架构，实现预测电动车充电量的功能，并探讨了模型优化和改进。

    Jun, 2022

  • 利用有限数据可用性来预测锂离子电池的寿命：对比不同的机器学习算法

    利用不足的数据，比较了不同的机器学习算法和深度学习算法，发现使用手工特征的机器学习模型在预测锂离子电池的剩余寿命方面表现良好，尤其是 Random Forest Regressor 算法，可以实现平均 9.8% 的绝对百分比误差。相比之下，深度学习模型在小样本原始数据上表现不佳，手工特征的机器学习模型在预测锂离子电池寿命方面更为有效。

    Dec, 2023

  • 稳健电池预测的概率融合方法探索

    本研究采用贝叶斯集成学习方法，结合神经网络和贝叶斯建模概念，预测锂离子电池容量衰减，同时量化电池设计和老化过程所带来的不确定性，实现了对复杂、遥远和可靠操作自主系统潜力的准确预测。

    May, 2024