De batterijen die worden gebruikt om elektrische voertuigen aan te drijven, hebben verschillende belangrijke kenmerkende parameters, inclusief spanning, temperatuur, en status van verandering (SOC). Aangezien batterijstoringen gepaard gaan met abnormale schommelingen in deze parameters, het effectief voorspellen ervan is van vitaal belang om ervoor te zorgen dat elektrische voertuigen in de loop van de tijd veilig en betrouwbaar werken.

Onderzoekers van het Beijing Institute of Technology, het Beijing Co-Innovation Centre for Electric Vehicles en Wayne State University hebben onlangs een nieuwe, op deep learning gebaseerde techniek ontwikkeld om synchroon meerdere parameters van batterijsystemen voor elektrische voertuigen te voorspellen. De methode die ze voorstelden, gepresenteerd in een paper gepubliceerd in Elsevier's Toegepaste energie logboek, is gebaseerd op een recurrent neuraal netwerk op het lange korte termijn geheugen (LSTM); een deep learning-architectuur die zowel afzonderlijke datapunten (bijv. afbeeldingen) als volledige gegevensreeksen (bijv. spraakopnames of videobeelden) kan verwerken.

"Dit artikel onderzoekt een nieuwe methode voor diepgaand leren om nauwkeurige synchrone voorspelling van meerdere parameters uit te voeren voor batterijsystemen met behulp van een recurrent neuraal netwerk op lange korte termijn (LSTM), ’ schreven de onderzoekers in hun paper.

De onderzoekers trainden en evalueerden hun LSTM-model op een dataset verzameld door het Service and Management Center for electric vehicles (SMC-EV) in Beijing, waaronder batterijgerelateerde gegevens van een elektrische taxi in de loop van een jaar. Hun model houdt rekening met de drie belangrijkste kenmerkende parameters voor batterijen die worden gebruikt in elektrische voertuigen, namelijk spanning, temperatuur, en SOC. Door zijn structuur en ontwerp, zodra alle hyperparameters die door het model worden beschouwd, vooraf zijn geoptimaliseerd, het kan ook offline worden getraind.

De onderzoekers ontwikkelden ook een techniek om weer-voertuig-bestuurderanalyses uit te voeren. Deze techniek houdt rekening met de impact van het weer en het rijgedrag van de bestuurder op de prestaties van een batterijsysteem, uiteindelijk de voorspellingsnauwkeurigheid van hun model verbeteren. In aanvulling, de onderzoekers gebruikten een pre-dropout-methode die voorkomt dat het LSTM-model overfit wordt door vóór de training de meest geschikte parameters te identificeren.

Evaluaties en simulaties die het op LSTM gebaseerde model testen, leverden veelbelovende resultaten op, met de nieuwe techniek die beter presteert dan andere strategieën voor voorspelling van batterijparameters, zonder dat er extra tijd nodig is om gegevens te verwerken. De bevindingen verzameld door de onderzoekers suggereren dat hun model kan worden gebruikt om verschillende batterijfouten te bepalen, het tijdig informeren van chauffeurs en passagiers en het voorkomen van dodelijke ongevallen.

"De stabiliteit en robuustheid van deze methode zijn geverifieerd door middel van 10-voudige kruisvalidatie en vergelijkende analyse van meerdere sets hyperparameters, " schreven de onderzoekers. "De resultaten tonen aan dat het voorgestelde model krachtige en nauwkeurige online voorspellingsmogelijkheden heeft voor de drie doelparameters."

De onderzoekers merkten op dat nadat de offline training was voltooid, het LSTM-model zou snelle en nauwkeurige online voorspellingen kunnen doen. Met andere woorden, het feit dat het offline werd getraind, leek de snelheid en nauwkeurigheid van zijn voorspellingen niet te verminderen.

In de toekomst, het voorspellingsmodel voor batterijparameters dat door dit onderzoeksteam is ontwikkeld, zou kunnen helpen om de veiligheid en efficiëntie van elektrische voertuigen te verbeteren. In de tussentijd, de onderzoekers zijn van plan om het door hen ontwikkelde LSTM-netwerk te trainen op meer datasets, omdat dit de prestaties en generaliseerbaarheid verder zou kunnen verbeteren.

© 2019 Wetenschap X Netwerk