電気自動車の性能を向上させるためのディープラーニングベースのバッテリー健康予測

科学分野:

• 電気工学 電気工学とは
• コンピュータサイエンス コンピュータサイエンス
• マテリアルサイエンス 材料科学

背景:

• 信頼性の高いバッテリー診断は,電気自動車 (EV) の進歩と持続可能な開発目標7 (SDG 7) に不可欠です.
• 現在の診断方法は,複雑なバッテリー劣化パターンの正確性と効率性において課題に直面しています.

研究 の 目的:

• 知的EVバッテリー健康診断のためのハイブリッドのディープラーニングフレームワークを開発する.
• バッテリー管理システム (BMS) の健康状態 (SOH) 予測の精度と効率を改善する.

主な方法:

• 1D-CNN,TCN,LSTMを注意力メカニズムで統合したハイブリッドのディープラーニングモデルが提案されました.
• 差電圧 (dV/dQ),差電流 (dI/dV),および増分容量分析 (ICA,dQ/dV) 機能が抽出され,denoisedされました.
• このモデルは,広範なバッテリー劣化データセット (NASA PCoE,オックスフォード,CALCE) でトレーニングされ,検証されました.

主要な成果:

• ハイブリッドモデルは,高いSOH予測精度 ([公式:テキストを参照]) と低いRMSE (0.021) を達成しました.
• 精度ではベースラインモデル (CNN,LSTM,XGBoost) を最大25%上回りました.
• このモデルは,低パラメータ数 (0.35万),迅速な推論 (6.1ms),低エネルギー消費 (0.63mJ/サンプル) を実証し,トランスフォーマーアーキテクチャを上回った.

結論:

• 提案されたフレームワークは,組み込みBMSのための堅牢で,スケーラブルで,リアルタイムで実現可能なソリューションを提供します.
• 診断の精度を高め,バッテリーの寿命を延長し,持続可能なモビリティに貢献します.
• この方法は,コンピューティングの要求を削減することにより,SDG 7のエネルギー効率と循環経済目標をサポートします.