據(jù)外媒報(bào)道，為電動汽車提供動力的電池?fù)碛袔讉€(gè)關(guān)鍵的表征參數(shù)，包括電壓、溫度和變化狀態(tài)（SOC）。由于電池的故障與此類參數(shù)的異常波動有關(guān)，能夠有效地預(yù)測此類參數(shù)對于長期確保電動汽車安全、可靠地運(yùn)行至關(guān)重要。

（圖片來源：techxplore.com）

北京理工大學(xué)（Beijing Institute of Technology）、北京電動汽車聯(lián)合創(chuàng)新中心（Beijing Co-Innovation Center for Electric Vehicles）和美國韋恩州立大學(xué)（Wayne State University）的研究人員最近研發(fā)了一種基于深度學(xué)習(xí)的新方法，能夠同步預(yù)測電動汽車電池系統(tǒng)的多個(gè)參數(shù)。該新方法基于長短時(shí)記憶（LSTM）遞歸神經(jīng)網(wǎng)絡(luò)，是一個(gè)深度學(xué)習(xí)架構(gòu)，既能夠處理單個(gè)數(shù)據(jù)點(diǎn)（如圖像），又能處理整個(gè)數(shù)據(jù)序列（如語音記錄或視頻片段）。

研究人員在北京電動汽車服務(wù)與管理中心（SMC-EV）收集的數(shù)據(jù)集上訓(xùn)練、評估了該LSTM模型，該數(shù)據(jù)集中包括一輛電動出租車在一年時(shí)間內(nèi)存儲的電池相關(guān)數(shù)據(jù)。該模型考慮到了電動汽車電池的三個(gè)主要表征參數(shù)，即電壓、溫度和SOC，而且具備獨(dú)特結(jié)構(gòu)和設(shè)計(jì)，其中包括的超參數(shù)都預(yù)先得到優(yōu)化，也可離線接受訓(xùn)練。

此外，研究人員還研發(fā)了一種方法，以進(jìn)行天氣-車輛-駕駛員分析。該方法考慮到天氣和駕駛員行為對電池系統(tǒng)性能的影響，最終能夠提升模型的預(yù)測精度。此外，研究人員還采用了提前中途退出的方法，通過在訓(xùn)練前確認(rèn)最合適的參數(shù)，以防止LSTM模型過度擬合。

對該LSTM模型進(jìn)行評估和仿真測試之后得出了非常好的結(jié)果，新方法無需額外的時(shí)間來處理數(shù)據(jù)，而且比其他電池參數(shù)預(yù)測策略表現(xiàn)得更好。研究人員收集的結(jié)果表明，該模型可用于判斷各種電池故障，并及時(shí)向駕駛員和乘客發(fā)出通知，以避免發(fā)生致命事故。

研究人員發(fā)現(xiàn)，在完成離線訓(xùn)練之后，LSTM模型可以快速準(zhǔn)確地完成在線預(yù)測。換句話說，離線訓(xùn)練并沒有降低該模型預(yù)測的速度和準(zhǔn)確性。

未來，研究人員研發(fā)的電池參數(shù)預(yù)測模型將有助于提高電動汽車的安全性和效率。同時(shí)，研究人員計(jì)劃在更多數(shù)據(jù)集上訓(xùn)練該LSTM網(wǎng)絡(luò)，從而進(jìn)一步提高其性能和通用性。