所有文章 > 正文

研究人员通过深度学习技术实现对电池参数的有效预测

作者: Jansfer

时间: 2019-08-28 17:23

用于电动汽车的电池有电压、温度和变化状态(SOC)等几个关键的特征参数。由于电池故障与这些参数的异常波动有关,因此有效地预测这些参数对于保证电动汽车长期安全可靠地运行便显得至关重要。

11xct.jpg

图片来源:Hong

用于电动汽车的电池有电压、温度和变化状态(SOC)等几个关键的特征参数。由于电池故障与这些参数的异常波动有关,因此有效地预测这些参数对于保证电动汽车长期安全可靠地运行便显得至关重要。

北京理工大学、北京电动汽车联合创新中心和韦恩州立大学的研究人员最近开发了一种基于深度学习的新技术,可以同步预测电动汽车电池系统的多个参数。他们提出的方法基于长短时记忆(LSTM)递归神经网络,这是一个可以处理单个数据点(如图像)和整个数据序列(如语音记录或视频片段)的深度学习体系结构。

研究人员在北京电动汽车服务与管理中心(SMC-EV)收集的数据集上训练并评估了他们的LSTM模型,所使用的数据集为一辆电动出租车在一年内的电池相关数据。他们的模型考虑了电动汽车电池的电压、温度和SOC三个主要特征参数。由于其结构和设计,如果模型所考虑的参数全部预先优化,那么也可以进行离线训练。

12xc5.jpg

图片来源:Hong

为了进一步提高模型的预测精度,研究人员还开发了一种技术来进行天气??-车辆-驾驶员分析。这种技术充分考虑到了天气和驾驶员行为对电池系统性能的影响。此外,研究人员还使用了预退出方法,这个方法可以在训练前确定最合适的参数,有效防止LSTM模型过度拟合。

基于LSTM模型的评估和仿真测试取得了很好的结果。这项新技术在电池参数预测方面优于其他的策略,且无需额外的时间来进行数据处理。研究人员收集的结果表明,他们的模型可以用来判断各种电池故障,能够及时通知司机和乘客以避免致命事故。

研究人员还发现,在完成离线训练后,LSTM模型仍旧可以进行快速准确的在线预测。离线训练并没有降低预测的速度和准确性。

这个电池参数预测模型将有助于提高电动汽车的安全性和效率。同时,研究人员计划在更多的数据集上训练他们开发的LSTM网络,从而进一步提高它的性能和通用性。

(参考:https://techxplore.com/news/2019-08-deep-parameters-batteries-electric-vehicles.html)

[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。

二维码 扫码微信阅读
推荐阅读 更多