Batterierna som används för att driva elfordon har flera viktiga karakteristiska parametrar, inklusive spänning, temperatur, och förändringstillstånd (SOC). Eftersom batterifel är förknippade med onormala fluktuationer i dessa parametrar, Att effektivt förutsäga dem är av avgörande betydelse för att säkerställa att elfordon fungerar säkert och tillförlitligt över tiden.

Forskare vid Beijing Institute of Technology, Beijing Co-Innovation Center for Electric Vehicles och Wayne State University har nyligen utvecklat en ny djupinlärningsbaserad teknik för att synkront förutsäga flera parametrar för batterisystem som används för elfordon. Metoden de föreslog, presenteras i en artikel publicerad i Elsevier's Tillämpad energi tidning, baseras på ett återkommande neuralt nätverk för långtidsminne (LSTM); en djupinlärningsarkitektur som kan bearbeta både enstaka datapunkter (t.ex. bilder) och hela datasekvenser (t.ex. talinspelningar eller videofilmer).

"Denna artikel undersöker en ny djupinlärningsaktiverad metod för att utföra exakt synkron multiparameterförutsägelse för batterisystem med hjälp av ett långtidskorttidsminne (LSTM) återkommande neurala nätverk, " skrev forskarna i sin uppsats.

Forskarna tränade och utvärderade sin LSTM-modell på en datauppsättning som samlats in av Service and Management Center för elfordon (SMC-EV) i Peking, som inkluderade batterirelaterade data för en elektrisk taxi under loppet av ett år. Deras modell tar hänsyn till de tre huvudsakliga kännetecknande parametrarna för batterier som används på elfordon, nämligen spänning, temperatur, och SOC. På grund av sin struktur och design, när alla hyperparametrar som modellen beaktar är föroptimerade, det kan också tränas offline.

Forskarna utvecklade också en teknik för att utföra analyser av väder-fordon-förare. Denna teknik tar hänsyn till inverkan av väder och förarbeteenden på ett batterisystems prestanda, i slutändan förbättrar deras modells prediktionsnoggrannhet. Dessutom, forskarna använde en pre-dropout-metod som förhindrar LSTM-modellen från att överanpassas genom att identifiera de mest lämpliga parametrarna före träning.

Utvärderingar och simuleringar som testade den LSTM-baserade modellen gav mycket lovande resultat, med den nya tekniken som överträffar andra strategier för batteriparametrar, utan att kräva ytterligare tid för att behandla data. Resultaten som samlats in av forskarna tyder på att deras modell kan användas för att fastställa en mängd olika batterifel, informera förare och passagerare i tid och undvika dödsolyckor.

"Stabiliteten och robustheten hos denna metod har verifierats genom 10-faldig korsvalidering och jämförande analys av flera uppsättningar hyperparametrar, ", skrev forskarna. "Resultaten visar att den föreslagna modellen har kraftfulla och exakta onlineförutsägelseförmågor för de tre målparametrarna."

Forskarna observerade att efter att dess offlineutbildning var klar, LSTM-modellen kunde utföra snabba och exakta onlineförutsägelser. Med andra ord, det faktum att det tränades offline verkade inte minska hastigheten och noggrannheten i dess förutsägelser.

I framtiden, den batteriparameterförutsägelsemodell som utvecklats av detta forskarteam kan bidra till att förbättra säkerheten och effektiviteten hos elfordon. Under tiden, forskarna planerar att träna LSTM-nätverket de utvecklat på fler datamängder, eftersom detta ytterligare kan förbättra dess prestanda och generaliserbarhet.

© 2019 Science X Network