인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
This study presents a predictive approach to evaluating the energy efficiency of electric vehicle (EV) batteries using Phraformer, a Transformer-based architecture enhanced with a Pyramidal Attention Module (PAM). Energy efficiency, defined as the distance traveled per unit of State of Charge (SOC), is crucial metric for assessing battery performance and addressing range anxiety. The model processes real-world BMS data from 205 EVs across multiple scales and captures both short-term and long-term trends. To enhance prediction accuracy, we apply sequence-to-sequence (seq2seq) modeling to incorporate information from multiple prevoius time steps. The Pyraformer demonstrates improves performance over traditional models such as Long Short-Term Memory (LSTM) and Transformer models by achieving a Symmetric Mean Absolute Percentage Error (SMAPE) of 6.488% and Root Mean Squared Error (RMSE) of 0.466. The model effectively handles data variability and noise utilizing multi-scale attention and results in more accurate energy efficiency predictions. These results highlight the potential of Pyraformer for real-world applications in energy management and battery health monitoring, and alleviating range anxiety for EV users.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
