中美研究人员合作预测电池参数 有望提升电动汽车安全性/效率

据外媒报道，为电动汽车提供动力的电池有几个关键的表征参数，包括电压、温度和变化状态。由于电池故障与这些参数的异常波动有关，因此有效预测这些参数对于确保电动汽车的长期安全可靠运行至关重要。

来自北京理工学院、北京电动汽车联合创新中心和美国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方法，可以同步预测电动汽车电池系统的多个参数。这种新方法基于长短期记忆递归神经网络，这是一种深度学习架构，可以处理单个数据点和整个数据序列。研究人员在北京电动汽车服务管理中心收集的数据集上对LSTM模型进行了训练和评估，该数据集包括电动出租车在一年内存储的电池相关数据。该模型考虑了电动汽车电池的三个主要表征参数，即电压、温度和SOC，具有独特的结构和设计，包括预先优化的超参数，也可以离线训练。此外，研究人员开发了一种进行天气车辆驾驶员分析的方法。该方法考虑了天气和驾驶员行为对电池系统性能的影响，最终提高了模型的预测精度。此外，研究人员还采用了中途提前退出的方法，通过在训练前确认最合适的参数来防止LSTM模型的过度拟合。在对LSTM模型进行评估和模拟后，获得了良好的结果。新方法不需要额外的时间来处理数据，并且比其他电池参数预测策略执行得更好。研究人员收集的结果表明，该模型可用于诊断各种电池故障，并及时通知驾驶员和乘客，以避免致命事故。研究人员发现，在完成离线训练后，LSTM模型可以快速准确地完成在线预测。换句话说，离线训练并没有降低模型预测的速度和准确性。未来，研究人员开发的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LSTM网络，以进一步提高其性能和通用性。

标签：北京合创发现

汽车资讯热门资讯