Le batterie utilizzate per alimentare i veicoli elettrici hanno diversi parametri chiave caratterizzanti, compresa la tensione, temperatura, e stato di cambiamento (SOC). Poiché i guasti della batteria sono associati a fluttuazioni anomale di questi parametri, prevederli in modo efficace è di vitale importanza per garantire che i veicoli elettrici funzionino in modo sicuro e affidabile nel tempo.

Ricercatori del Beijing Institute of Technology, il Beijing Co-Innovation Center for Electric Vehicles e la Wayne State University hanno recentemente sviluppato una nuova tecnica basata sul deep learning per prevedere in modo sincrono più parametri dei sistemi di batterie utilizzati per i veicoli elettrici. Il metodo che hanno proposto, presentato in un articolo pubblicato su Elsevier's Energia applicata rivista, si basa su una rete neurale ricorrente di memoria a lungo termine (LSTM); un'architettura di deep learning in grado di elaborare sia singoli punti dati (es. immagini) sia intere sequenze di dati (es. registrazioni vocali o riprese video).

"Questo documento indaga su un nuovo metodo abilitato per l'apprendimento profondo per eseguire una previsione sincrona multiparametrica accurata per i sistemi di batterie utilizzando una rete neurale ricorrente di memoria a lungo termine (LSTM), " hanno scritto i ricercatori nel loro articolo.

I ricercatori hanno formato e valutato il loro modello LSTM su un set di dati raccolto dal Centro servizi e gestione per veicoli elettrici (SMC-EV) di Pechino, che includeva i dati relativi alla batteria di un taxi elettrico nel corso di un anno. Il loro modello considera i tre principali parametri caratterizzanti le batterie utilizzate sui veicoli elettrici, vale a dire la tensione, temperatura, e SOC. Grazie alla sua struttura e al design, una volta pre-ottimizzati tutti gli iperparametri considerati dal modello, può anche essere addestrato offline.

I ricercatori hanno anche sviluppato una tecnica per eseguire analisi meteorologiche sui conducenti dei veicoli. Questa tecnica considera l'impatto delle condizioni meteorologiche e dei comportamenti del conducente sulle prestazioni di un sistema di batterie, migliorando infine l'accuratezza della previsione del loro modello. Inoltre, i ricercatori hanno utilizzato un metodo di pre-abbandono che impedisce l'overfitting del modello LSTM identificando i parametri più adatti prima dell'allenamento.

Le valutazioni e le simulazioni che testano il modello basato su LSTM hanno prodotto risultati molto promettenti, con la nuova tecnica che supera le altre strategie per la previsione dei parametri della batteria, senza richiedere ulteriore tempo per elaborare i dati. I risultati raccolti dai ricercatori suggeriscono che il loro modello potrebbe essere utilizzato per determinare una serie di guasti della batteria, informare tempestivamente conducenti e passeggeri ed evitare incidenti mortali.

"La stabilità e la robustezza di questo metodo sono state verificate attraverso la convalida incrociata di 10 volte e l'analisi comparativa di più set di iperparametri, " hanno scritto i ricercatori. "I risultati mostrano che il modello proposto ha capacità di previsione online potenti e precise per i tre parametri target".

I ricercatori hanno osservato che dopo che la sua formazione offline è stata completata, il modello LSTM potrebbe eseguire previsioni online veloci e accurate. In altre parole, il fatto che sia stato addestrato offline non sembra diminuire la velocità e l'accuratezza delle sue previsioni.

Nel futuro, il modello di previsione dei parametri della batteria sviluppato da questo team di ricerca potrebbe aiutare a migliorare la sicurezza e l'efficienza dei veicoli elettrici. Nel frattempo, i ricercatori intendono addestrare la rete LSTM che hanno sviluppato su più set di dati, in quanto ciò potrebbe migliorarne ulteriormente le prestazioni e la generalizzabilità.

© 2019 Scienza X Rete