據(jù)外媒報道,為電動汽車提供動力的電池擁有幾個關鍵的表征參數(shù),包括電壓、溫度和變化狀態(tài)(SOC)。由于電池的故障與此類參數(shù)的異常波動有關,能夠有效地預測此類參數(shù)對于長期確保電動汽車安全、可靠地運行至關重要。
圖片來源:techxplore.com
北京理工大學(Beijing Institute of Technology)、北京電動汽車聯(lián)合創(chuàng)新中心(Beijing Co-Innovation Center for Electric Vehicles)和美國韋恩州立大學(Wayne State University)的研究人員最近研發(fā)了一種基于深度學習的新方法,能夠同步預測電動汽車電池系統(tǒng)的多個參數(shù)。該新方法基于長短時記憶(LSTM)遞歸神經(jīng)網(wǎng)絡,是一個深度學習架構,既能夠處理單個數(shù)據(jù)點(如圖像),又能處理整個數(shù)據(jù)序列(如語音記錄或視頻片段)。
研究人員在北京電動汽車服務與管理中心(SMC-EV)收集的數(shù)據(jù)集上訓練、評估了該LSTM模型,該數(shù)據(jù)集中包括一輛電動出租車在一年時間內存儲的電池相關數(shù)據(jù)。該模型考慮到了電動汽車電池的三個主要表征參數(shù),即電壓、溫度和SOC,而且具備獨特結構和設計,其中包括的超參數(shù)都預先得到優(yōu)化,也可離線接受訓練。
此外,研究人員還研發(fā)了一種方法,以進行天氣-車輛-駕駛員分析。該方法考慮到天氣和駕駛員行為對電池系統(tǒng)性能的影響,最終能夠提升模型的預測精度。此外,研究人員還采用了提前中途退出的方法,通過在訓練前確認最合適的參數(shù),以防止LSTM模型過度擬合。
對該LSTM模型進行評估和仿真測試之后得出了非常好的結果,新方法無需額外的時間來處理數(shù)據(jù),而且比其他電池參數(shù)預測策略表現(xiàn)得更好。研究人員收集的結果表明,該模型可用于判斷各種電池故障,并及時向駕駛員和乘客發(fā)出通知,以避免發(fā)生致命事故。
研究人員發(fā)現(xiàn),在完成離線訓練之后,LSTM模型可以快速準確地完成在線預測。換句話說,離線訓練并沒有降低該模型預測的速度和準確性。
未來,研究人員研發(fā)的電池參數(shù)預測模型將有助于提高電動汽車的安全性和效率。同時,研究人員計劃在更多數(shù)據(jù)集上訓練該LSTM網(wǎng)絡,從而進一步提高其性能和通用性。
上一篇:東風本田第500萬輛車下線