As baterias usadas para alimentar veículos elétricos têm vários parâmetros principais de caracterização, incluindo voltagem, temperatura, e estado de mudança (SOC). Como as falhas da bateria estão associadas a flutuações anormais nesses parâmetros, prevê-los com eficácia é de vital importância para garantir que os veículos elétricos operem com segurança e confiabilidade ao longo do tempo.

Pesquisadores do Instituto de Tecnologia de Pequim, o Centro de Co-inovação de Pequim para Veículos Elétricos e a Wayne State University desenvolveram recentemente uma nova técnica baseada em aprendizagem profunda para prever de forma síncrona vários parâmetros de sistemas de bateria usados ​​para veículos elétricos. O método que eles propuseram, apresentado em um artigo publicado na Elsevier's Energia Aplicada Diário, é baseado em uma rede neural recorrente de longa memória de curto prazo (LSTM); uma arquitetura de aprendizagem profunda que pode processar pontos de dados únicos (por exemplo, imagens) e sequências de dados inteiras (por exemplo, gravações de voz ou filmagens de vídeo).

"Este artigo investiga um novo método habilitado para aprendizagem profunda para realizar predição multiparâmetro síncrona precisa para sistemas de bateria usando uma rede neural recorrente de memória de curto prazo longa (LSTM), "escreveram os pesquisadores em seu artigo.

Os pesquisadores treinaram e avaliaram seu modelo LSTM em um conjunto de dados coletado pelo Centro de Serviço e Gerenciamento para veículos elétricos (SMC-EV) em Pequim, que incluiu dados relacionados à bateria de um táxi elétrico ao longo de um ano. Seu modelo considera os três principais parâmetros de caracterização de baterias usadas em veículos elétricos, ou seja, voltagem, temperatura, e SOC. Devido à sua estrutura e design, uma vez que todos os hiperparâmetros considerados pelo modelo são pré-otimizados, também pode ser treinado offline.

Os pesquisadores também desenvolveram uma técnica para realizar análises meteorológicas-veículo-motorista. Esta técnica considera o impacto do clima e do comportamento do motorista no desempenho do sistema de bateria, em última análise, melhorando a precisão de previsão de seu modelo. Além disso, os pesquisadores usaram um método de pré-abandono que impede o modelo LSTM de sobreajuste, identificando os parâmetros mais adequados antes do treinamento.

Avaliações e simulações testando o modelo baseado em LSTM produziram resultados altamente promissores, com a nova técnica superando outras estratégias de previsão de parâmetros de bateria, sem exigir tempo adicional para processar os dados. As descobertas coletadas pelos pesquisadores sugerem que seu modelo pode ser usado para determinar uma variedade de falhas de bateria, informar os motoristas e passageiros em tempo hábil e evitar acidentes fatais.

"A estabilidade e robustez deste método foram verificadas por meio de validação cruzada de 10 vezes e análise comparativa de vários conjuntos de hiperparâmetros, "Os pesquisadores escreveram." Os resultados mostram que o modelo proposto tem habilidades de previsão on-line poderosas e precisas para os três parâmetros-alvo. "

Os pesquisadores observaram que depois que seu treinamento offline foi concluído, o modelo LSTM pode realizar previsões online rápidas e precisas. Em outras palavras, o fato de ter sido treinado offline não pareceu diminuir a velocidade e a precisão de suas previsões.

No futuro, o modelo de previsão de parâmetros da bateria desenvolvido por esta equipe de pesquisa pode ajudar a aumentar a segurança e a eficiência dos veículos elétricos. Enquanto isso, os pesquisadores planejam treinar a rede LSTM que desenvolveram em mais conjuntos de dados, pois isso poderia melhorar ainda mais seu desempenho e generalização.

© 2019 Science X Network