您的位置:首页 > 国际新闻

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

时间:2019-10-20

2019盖斯汽车新闻据国外媒体报道,为电动汽车提供动力的电池具有多个关键特性参数,包括电压,温度和变化状态(SOC)。由于电池故障与此类参数的异常波动相关,因此重要的是能够有效地预测此类参数,以确保电动汽车的长期安全性和可靠运行。

(来源:techxplore.com)

北京理工大学,北京电动汽车联合创新中心和韦恩州立大学的研究人员最近开发了一种基于深度的方法。一种新的学习方法,可以同时预测电动汽车电池系统的多个参数。基于长记忆(LSTM)递归神经网络的新方法是一种深度学习架构,可以处理单个数据点(例如图像)和整个数据序列(例如语音记录或视频剪辑)。

研究人员根据北京电动汽车服务与管理中心(SMC-EV)收集的数据集训练和评估了LSTM模型,其中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,并具有独特的结构和设计,其中包括预先优化的超级参数,可以离线进行训练。

此外,研究人员还开发了一种天气车辆驾驶员分析方法。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准确性。此外,研究人员使用一种提前退出的方法,通过在训练之前确定最合适的参数来防止LSTM模型的过拟合。

LSTM模型的评估和模拟测试产生了非常好的结果。新方法不需要额外的时间来处理数据,并且性能优于其他电池参数预测策略。研究人员收集的结果表明,该模型可用于确定各种电池故障,并及时通知驾驶员和乘客以避免致命事故。

研究人员发现,LSTM模型可以在完成离线训练后快速,准确地完成在线预测。换句话说,离线训练不会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数据集上训练LSTM网络,以进一步提高其性能和多功能性。

盖斯汽车新闻据国外媒体报道,为电动汽车提供动力的电池具有多个关键特性参数,包括电压,温度和变化状态(SOC)。由于电池故障与此类参数的异常波动相关,因此重要的是能够有效地预测此类参数,以确保电动汽车的长期安全性和可靠运行。

(来源:techxplore.com)

北京理工大学,北京电动汽车联合创新中心和韦恩州立大学的研究人员最近开发了一种基于深度的方法。一种新的学习方法,可以同时预测电动汽车电池系统的多个参数。基于长记忆(LSTM)递归神经网络的新方法是一种深度学习架构,可以处理单个数据点(例如图像)和整个数据序列(例如语音记录或视频剪辑)。

研究人员根据北京电动汽车服务与管理中心(SMC-EV)收集的数据集训练和评估了LSTM模型,其中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,并具有独特的结构和设计,其中包括预先优化的超级参数,可以离线进行训练。

此外,研究人员还开发了一种天气车辆驾驶员分析方法。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准确性。此外,研究人员使用一种提前退出的方法,通过在训练之前确定最合适的参数来防止LSTM模型的过拟合。

LSTM模型的评估和模拟测试产生了非常好的结果。新方法不需要额外的时间来处理数据,并且性能优于其他电池参数预测策略。研究人员收集的结果表明,该模型可用于确定各种电池故障,并及时通知驾驶员和乘客以避免致命事故。

研究人员发现,LSTM模型可以在完成离线训练后迅速而准确地完成在线预测。换句话说,离线训练不会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数据集上训练LSTM网络,以进一步提高其性能和多功能性。

  • 友情链接:
  • 康乐信息网 版权所有© www.lojasnipon.com 技术支持:康乐信息网| 网站地图