基于长期短期记忆和智能城市电动汽车联合学习的剩余使用寿命估计方法

科学领域:

• 储能系统 储能系统 储能系统
• 汽车工程中的人工智能
• 环境可持续性 环境可持续性

背景情况:

• 电动汽车 (EV) 对城市空气质量至关重要,但依赖电池,面临着老化和安全挑战.
• 对电动汽车电池的准确剩余使用寿命 (RUL) 估计对于安全,二次交易和回收来说至关重要.
• 现有的RUL估计方法与动态操作条件,现实世界数据采集,模型概括和用户隐私作斗争.

研究的目的:

• 为电动汽车中的电池提出一种新的RUL估计方法.
• 解决现有方法关于真实世界数据,模型概括和用户隐私的局限性.
• 为了提高电动汽车电池的RUL预测的准确性和稳定性.

主要方法:

• 利用深度学习 (DL) 方法,特别是长短期记忆 (LSTM),用于时间序列数据预测.
• 实施了联合学习 (FL) 框架来训练RUL估计模型,确保用户数据的隐私.
• 专注于可测量的输入变量,避免估计模型中的不可量化因素.

主要成果:

• 提出的基于LSTM的DL模型证明了对电池的有效RUL预测.
• 与集中培训和其他DL方法相比,联合学习培训在RUL预测中取得了更高的准确性和更高的培训稳定性.
• 对实际数据的实验验证证证了模型的性能,显示了平均绝对和相对误差的降低.

结论:

• 结合LSTM和FL的方法为EV电池RUL估计提供了一个强大的,保护隐私的解决方案.
• 联合学习显著提高了在动态,现实世界的EV环境中RUL预测的准确性和可靠性.
• 这种方法提高了电动汽车的安全性,促进了负责任的回收利用,并支持了电池的二级市场.