Un organigramme de la façon dont la technique utilisée par les chercheurs prétraite les données des véhicules et les données météorologiques. Crédit :Hong et al.
Les batteries utilisées pour alimenter les véhicules électriques ont plusieurs paramètres caractéristiques clés, y compris la tension, Température, et état de changement (SOC). Comme les défauts de batterie sont associés à des fluctuations anormales de ces paramètres, les prévoir efficacement est d'une importance vitale pour garantir que les véhicules électriques fonctionnent de manière sûre et fiable dans le temps.
Chercheurs de l'Institut de technologie de Pékin, le Beijing Co-Innovation Center for Electric Vehicles et la Wayne State University ont récemment développé une nouvelle technique basée sur l'apprentissage en profondeur pour prédire de manière synchrone plusieurs paramètres des systèmes de batterie utilisés pour les véhicules électriques. La méthode qu'ils ont proposée, présenté dans un article publié dans Elsevier's Énergie appliquée journal, est basé sur un réseau de neurones récurrents à mémoire à long court terme (LSTM) ; une architecture d'apprentissage en profondeur qui peut traiter à la fois des points de données uniques (par exemple des images) et des séquences de données entières (par exemple des enregistrements vocaux ou des séquences vidéo).
"Cet article étudie une nouvelle méthode d'apprentissage en profondeur pour effectuer une prédiction multi-paramètres synchrone précise pour les systèmes de batterie à l'aide d'un réseau de neurones récurrents à mémoire à long terme (LSTM), ", ont écrit les chercheurs dans leur article.
Les chercheurs ont formé et évalué leur modèle LSTM sur un ensemble de données collectées par le Centre de service et de gestion des véhicules électriques (SMC-EV) à Pékin, qui comprenait des données relatives à la batterie d'un taxi électrique au cours d'une année. Leur modèle considère les trois principaux paramètres caractéristiques des batteries utilisées sur les véhicules électriques, à savoir la tension, Température, et SOC. En raison de sa structure et de sa conception, une fois tous les hyper-paramètres considérés par le modèle pré-optimisés, il peut également être formé hors ligne.
Architecture du LSTM-RNN. Crédit :Hong et al.
Les chercheurs ont également développé une technique pour effectuer des analyses météo-véhicule-conducteur. Cette technique prend en compte l'impact des conditions météorologiques et des comportements du conducteur sur les performances d'un système de batterie, améliorant finalement la précision de prédiction de leur modèle. En outre, les chercheurs ont utilisé une méthode de pré-abandon qui empêche le modèle LSTM de sur-apprentissage en identifiant les paramètres les plus appropriés avant l'entraînement.
Les évaluations et les simulations testant le modèle basé sur le LSTM ont donné des résultats très prometteurs, avec la nouvelle technique surpassant les autres stratégies de prédiction des paramètres de batterie, sans nécessiter de temps supplémentaire pour traiter les données. Les résultats recueillis par les chercheurs suggèrent que leur modèle pourrait être utilisé pour déterminer une variété de défauts de batterie, informer les conducteurs et les passagers en temps opportun et éviter les accidents mortels.
« La stabilité et la robustesse de cette méthode ont été vérifiées par une validation croisée de 10 fois et une analyse comparative de plusieurs ensembles d'hyperparamètres, " les chercheurs ont écrit. " Les résultats montrent que le modèle proposé a des capacités de prédiction en ligne puissantes et précises pour les trois paramètres cibles. "
Les chercheurs ont observé qu'une fois sa formation hors ligne terminée, le modèle LSTM pourrait effectuer des prédictions en ligne rapides et précises. En d'autres termes, le fait qu'il ait été entraîné hors ligne ne semble pas diminuer la vitesse et la précision de ses prédictions.
À l'avenir, le modèle de prédiction des paramètres de batterie développé par cette équipe de recherche pourrait contribuer à améliorer la sécurité et l'efficacité des véhicules électriques. Pendant ce temps, les chercheurs prévoient de former le réseau LSTM qu'ils ont développé sur plus de jeux de données, car cela pourrait encore améliorer ses performances et sa généralisabilité.
© 2019 Réseau Science X
