电动汽车用电池具有电压、温度和变化状态(SOC)等几个关键的表征参数。由于电池故障与这些参数的异常波动有关，有效地预测这些参数对于确保电动汽车长期安全可靠地运行至关重要。
北京理工大学、北京电动汽车合作创新中心和韦恩州立大学的研究人员最近开发了一种基于深度学习的新技术，可以同步预测电动汽车电池系统的多个参数。他们在Elsevier的应用能源杂志上发表的一篇论文中提出了这种方法，该方法基于长期短期记忆(Lstm)递归神经网络；一种可以同时处理单个数据点(如图像)和整个数据序列(例如语音记录或视频片段)的深度学习体系结构。
研究人员在论文中写道：“本文研究了一种新的基于深度学习的方法，利用长期短期记忆(Lstm)递归神经网络对电池系统进行精确的同步多参数预测。”
研究人员在北京电动汽车服务和管理中心（SMC-EV）收集的数据集上培训和评估了他们的LSTM模型，其中包括一辆电动出租车在一年内的电池相关数据。他们的模型考虑了电动汽车上使用的电池的三个主要表征参数，即电压、温度和SOC。由于其结构和设计，一旦模型所考虑的所有超参数都被预先优化，它也可以离线训练。
研究人员还开发了一种技术来进行汽车司机天气分析。该技术考虑了天气和驾驶员行为对电池系统性能的影响，最终提高了模型的预测精度。此外，研究人员还采用了一种预先辍学的方法，通过在训练前确定最合适的参数来防止LSTM模型过度拟合。
基于lstm模型的评估和仿真结果非常有希望，新技术的性能优于其他电池参数预测策略，而不需要额外的时间来处理数据。研究人员收集到的研究结果表明，他们的模型可以用来判断各种电池故障，及时通知司机和乘客，避免致命事故。
研究人员写道：“这种方法的稳定性和鲁棒性已经通过10倍的交叉验证和多组超参数的比较分析得到了验证。”结果表明，该模型对这三个目标参数具有较强的在线预测能力。
研究人员观察到，在完成离线训练后，LSTM模型可以快速、准确地进行在线预测。换句话说，它是离线训练的，这似乎并没有降低其预测的速度和准确性。
今后，本研究团队开发的电池参数预测模型将有助于提高电动汽车的安全性和效率。同时，研究人员计划在更多的数据集上训练他们开发的LSTM网络，因为这可以进一步提高其性能和通用性。