Brug af dyb læring til at forudsige parametre for batterier på elektriske køretøjer

Batterierne, der bruges til at drive elektriske køretøjer, har flere vigtige karakteristiske parametre, inklusive spænding, temperatur, og forandringstilstand (SOC). Da batterifejl er forbundet med unormale udsving i disse parametre, effektivt at forudsige dem er af afgørende betydning for at sikre, at elektriske køretøjer fungerer sikkert og pålideligt over tid.

Forskere ved Beijing Institute of Technology, Beijing Co-Innovation Center for Electric Vehicles og Wayne State University har for nylig udviklet en ny deep learning-baseret teknik til synkront at forudsige flere parametre for batterisystemer, der bruges til elektriske køretøjer. Metoden de foreslog, præsenteret i et papir offentliggjort i Elsevier's Anvendt energi tidsskrift, er baseret på et langtidshukommelses (LSTM) tilbagevendende neuralt netværk; en deep learning-arkitektur, der kan behandle både enkelte datapunkter (f.eks. billeder) og hele datasekvenser (f.eks. taleoptagelser eller videooptagelser).

"Dette papir undersøger en ny deep-learning-aktiveret metode til at udføre nøjagtig synkron multi-parameter forudsigelse for batterisystemer ved hjælp af et langtids-korttidshukommelse (LSTM) tilbagevendende neurale netværk, " skrev forskerne i deres papir.

Forskerne trænede og evaluerede deres LSTM-model på et datasæt indsamlet af Service and Management Center for elektriske køretøjer (SMC-EV) i Beijing, som omfattede batterirelaterede data for en elektrisk taxa i løbet af et år. Deres model overvejer de tre hovedkarakteriserende parametre for batterier, der bruges på elektriske køretøjer, nemlig spænding, temperatur, og SOC. På grund af sin struktur og design, når alle de hyperparametre, som modellen betragter, er præoptimerede, det kan også trænes offline.

Forskerne udviklede også en teknik til at udføre vejr-køretøj-fører analyser. Denne teknik tager højde for indvirkningen af ​​vejr og føreradfærd på et batterisystems ydeevne, i sidste ende forbedre deres models forudsigelsesnøjagtighed. Ud over, forskerne brugte en pre-dropout-metode, der forhindrer LSTM-modellen i at overfitte ved at identificere de bedst egnede parametre før træning.

Evalueringer og simuleringer, der tester den LSTM-baserede model, gav meget lovende resultater, med den nye teknik, der overgår andre strategier til forudsigelse af batteriparametre, uden at det kræver ekstra tid at behandle data. Resultaterne indsamlet af forskerne tyder på, at deres model kan bruges til at bestemme en række batterifejl, informere chauffører og passagerer rettidigt og undgå dødsulykker.

"Stabiliteten og robustheden af ​​denne metode er blevet verificeret gennem 10 gange krydsvalidering og sammenlignende analyse af flere sæt hyperparametre, " skrev forskerne. "Resultaterne viser, at den foreslåede model har kraftfulde og præcise online forudsigelsesevner for de tre målparametre."

Forskerne observerede, at efter dens offline træning var afsluttet, LSTM-modellen kunne udføre hurtige og præcise online forudsigelser. Med andre ord, det faktum, at det blev trænet offline, syntes ikke at mindske hastigheden og nøjagtigheden af ​​dets forudsigelser.

I fremtiden, Batteriparameterforudsigelsesmodellen udviklet af dette forskerhold kunne bidrage til at forbedre sikkerheden og effektiviteten af ​​elektriske køretøjer. I mellemtiden forskerne planlægger at træne det LSTM-netværk, de udviklede på flere datasæt, da dette yderligere kan forbedre dens ydeevne og generaliserbarhed.

© 2019 Science X Network