Las baterías utilizadas para alimentar vehículos eléctricos tienen varios parámetros de caracterización clave, incluyendo voltaje, temperatura, y estado de cambio (SOC). Como las fallas de la batería están asociadas con fluctuaciones anormales en estos parámetros, predecirlos de forma eficaz es de vital importancia para garantizar que los vehículos eléctricos funcionen de forma segura y fiable a lo largo del tiempo.

Investigadores del Instituto de Tecnología de Beijing, El Centro de Co-Innovación de Beijing para Vehículos Eléctricos y la Universidad Estatal de Wayne han desarrollado recientemente una nueva técnica basada en el aprendizaje profundo para predecir de forma sincrónica múltiples parámetros de los sistemas de baterías utilizados para vehículos eléctricos. El método que propusieron, presentado en un artículo publicado en Elsevier's Energía aplicada diario, se basa en una red neuronal recurrente de memoria larga a corto plazo (LSTM); una arquitectura de aprendizaje profundo que puede procesar tanto puntos de datos únicos (por ejemplo, imágenes) como secuencias de datos completas (por ejemplo, grabaciones de voz o secuencias de video).

"Este artículo investiga un nuevo método habilitado para el aprendizaje profundo para realizar una predicción multiparamétrica sincrónica precisa para sistemas de baterías utilizando una red neuronal recurrente de memoria a corto plazo largo (LSTM), "escribieron los investigadores en su artículo.

Los investigadores capacitaron y evaluaron su modelo LSTM en un conjunto de datos recopilados por el Centro de Servicio y Gestión para vehículos eléctricos (SMC-EV) en Beijing. que incluía datos relacionados con la batería de un taxi eléctrico en el transcurso de un año. Su modelo considera los tres principales parámetros característicos de las baterías utilizadas en vehículos eléctricos, a saber, voltaje, temperatura, y SOC. Por su estructura y diseño, una vez que todos los hiperparámetros considerados por el modelo están optimizados previamente, también se puede entrenar sin conexión.

Los investigadores también desarrollaron una técnica para realizar análisis meteorológicos, vehículos y conductores. Esta técnica considera el impacto del clima y los comportamientos del conductor en el rendimiento de un sistema de batería, mejorando en última instancia la precisión de predicción de su modelo. Además, los investigadores utilizaron un método de pre-abandono que evita que el modelo LSTM se sobreajuste al identificar los parámetros más adecuados antes del entrenamiento.

Las evaluaciones y simulaciones que probaron el modelo basado en LSTM arrojaron resultados muy prometedores, con la nueva técnica superando a otras estrategias para la predicción de parámetros de la batería, sin requerir tiempo adicional para procesar los datos. Los hallazgos recopilados por los investigadores sugieren que su modelo podría usarse para determinar una variedad de fallas en la batería, informar a los conductores y pasajeros de manera oportuna y evitar accidentes fatales.

"La estabilidad y solidez de este método se han verificado mediante una validación cruzada de diez veces y un análisis comparativo de múltiples conjuntos de hiperparámetros, "escribieron los investigadores." Los resultados muestran que el modelo propuesto tiene capacidades de predicción en línea poderosas y precisas para los tres parámetros objetivo ".

Los investigadores observaron que después de completar su entrenamiento fuera de línea, el modelo LSTM podría realizar predicciones en línea rápidas y precisas. En otras palabras, el hecho de que se entrenara fuera de línea no pareció disminuir la velocidad y precisión de sus predicciones.

En el futuro, El modelo de predicción de parámetros de la batería desarrollado por este equipo de investigación podría ayudar a mejorar la seguridad y la eficiencia de los vehículos eléctricos. Mientras tanto, los investigadores planean capacitar a la red LSTM que desarrollaron en más conjuntos de datos, ya que esto podría mejorar aún más su desempeño y generalización.

© 2019 Science X Network