使用机器学习算法使用实时数据对离子电池进行增强的SOC估计
Obuli Pranav D1, Preethem S Babu1, Indragandhi V2
1School of Electrical Engineering, VIT, Vellore, India.
Scientific reports
|July 11, 2024
概括
准确的电动汽车电池充电状态 (SOC) 估计至关重要. 与其他机器学习方法相比,高斯过程回归提供了优越的SOC预测准确性,提高了电池管理.
科学领域:
- 电动汽车技术 电动汽车技术
- 电池管理系统 电池管理系统
- 机器学习应用程序 机器学习应用程序
背景情况:
- 精确的电荷状态 (SOC) 估计对于电动汽车 (EV) 的安全性和性能至关重要.
- 现有的方法在各种现实驾驶条件下准确预测SOC时面临挑战.
研究的目的:
- 为了比较评估电池SOC估计的机器学习回归算法.
- 确定最准确的算法来建模驾驶数据和电池SOC之间的复杂关系.
主要方法:
- 训练并测试了支持向量机,神经网络,合集方法和高斯过程回归模型.
- 利用来自不同驾驶员和不同条件的广泛现场数据.
- 在测试集上使用统计指标评估模型性能.
主要成果:
- 高斯过程回归证明了优越的SOC预测准确性.
- 与其他测试的算法相比,GPR实现了最低的预测错误.
- 案例研究证实了GPR在模仿真实电池行为的能力.
结论:
- 高斯过程回归提供了一个可靠的,数据驱动的框架,用于精确的实时SOC监控.
- 先进的分析,特别是GPR,可以显著提高电动汽车电池管理.
- 该研究提供了一种强有力的方法来提高电动汽车的运行安全性和效率.


