电动自行车电池性能预测建模:整合实时传感器数据和机器学习技术

科学领域:

• 可持续的移动性 可持续的移动性
• 机器学习应用程序 机器学习应用程序
• 电池管理系统 电池管理系统

背景情况:

• 准确的电池充电状态 (SOC) 估计对于电动汽车至关重要.
• 从仪器自行车收集现实世界的数据,为实验室实验提供了有价值的替代方案.
• 整合多种变量可以提高预测模型的性能.

研究的目的:

• 利用电动自行车的实时传感器数据,开发用于离子电池 SOC 估计的数据驱动模型.
• 收集和预处理包括运营,环境和路线变量在内的多式联运数据集.
• 评估和比较用于SOC预测的各种机器学习算法的性能.

主要方法:

• 从电动自行车传感器收集了28天的多式联络数据,在哥伦比亚的梅德林.
• 采用数据预处理技术,包括卷积神经网络 (CNN) 用于传感器数据的平滑.
• 使用长短期内存 (LSTM),支持向量回归 (SVR),AdaBoost和梯度提升算法来预测剩余的使用寿命 (RUL).

主要成果:

• 数据预处理,特别是基于CNN的平滑,显著提高了SOC估计模型的准确性.
• 对比分析确定了最有效的机器学习模型,用于预测电池RUL和SOC.
• 这项研究证明了使用现实世界的数据进行强大的电池性能建模的可行性.

结论:

• 机器学习模型,当训练在现实世界的数据,可以准确地预测电动自行车电池SOC.
• 数据预处理对于提高预测模型的性能和可靠性至关重要.
• 这项研究通过为电动两轮车提供先进的电池管理策略,为可持续的移动性做出贡献.