中美研究人员合作研发预测电池参数 帮助提升电动汽车安全效率

  • 时间:
  • 浏览:1
  • 来源:大发pk10_pk10网址_大发pk10网址

据外媒报道,为电动汽车提供动力的电池拥有有几个关键的表征参数,包括电压、温度和变化情況(SOC)。愿因 电池的故障与此类参数的异常波动有关,不能有效地预测此类参数对于长期确保电动汽车安全、可靠地运行至关重要。

北京理工大学(Beijing Institute of Technology)、北京电动汽车联合创新中心(Beijing Co-Innovation Center for Electric Vehicles)和美国韦恩州立大学(Wayne State University)的研究人员最近研发了三种基于深度学习的新措施,不能同步预测电动汽车电池系统的多个参数。该新措施基于长短时记忆(LSTM)递归神经网络,是有一另5个 深度学习架构,既不能处里单个数据点(如图像),又能处里整个数据序列(如语音记录或视频片段)。

研究人员在北京电动汽车服务与管理中心(SMC-EV)架构设计 的数据集上训练、评估了该LSTM模型,该数据集中包括四十公里电动出租车在一年时间内存储的电池相关数据。该模型考虑到了电动汽车电池的有一另5个 主要表征参数,即电压、温度和SOC,但会 具备独特社会形态和设计,其中包括的超参数都预先得到优化,也可离线接受训练。

此外,研究人员还研发了三种措施,以进行天气-车辆-驾驶员分析。该措施考虑到天气和驾驶员行为对电池系统性能的影响,最终不能提升模型的预测精度。此外,研究人员还采用了提前中途退出的措施,通过在训练前确认最离米 的参数,以处里LSTM模型过度拟合。

对该LSTM模型进行评估和仿真测试以前得出了非常好的结果,新措施不需要额外的时间来处里数据,但会 比三种电池参数预测策略表现得更好。研究人员架构设计 的结果表明,该模型可用于判断各种电池故障,并及时向驾驶员和乘客发出通知,以处里所处致命事故。

研究人员发现,在完成离线训练以前,LSTM模型前会 快速准确地完成在线预测。换句话说,离线训练并没法 降低该模型预测的带宽和准确性。

未来,研究人员研发的电池参数预测模型将有助提高电动汽车的安全性和带宽。同时,研究人员计划在更多数据集上训练该LSTM网络,从而进一步提高其性能和通用性。