（文章來源：蓋世汽車）

據(jù)外媒報道，為電動汽車供應動力的電池擁有幾個關(guān)鍵的表征參數(shù)，包括電壓、溫度和變化狀態(tài)（SOC）。由于電池的故障與此類參數(shù)的異常波動有關(guān)，能夠有效地預測此類參數(shù)關(guān)于長期確保電動汽車安全、可靠地運行至關(guān)重要。

北京理工大學（BeijingInstituteofTechnology）、北京電動汽車聯(lián)合創(chuàng)新中心（BeijingCo-InnovaTIonCenterforElectricVehicles）和美國韋恩州立大學（WayneStateUniversity）的研究人員最近研發(fā)了一種基于深度學習的新方法，能夠同步預測電動汽車電池系統(tǒng)的多個參數(shù)。該新方法基于長短時記憶（LSTM）遞歸神經(jīng)網(wǎng)絡，是一個深度學習架構(gòu)，既能夠處理單個數(shù)據(jù)點（如圖像），又能處理整個數(shù)據(jù)序列（如語音記錄或視頻片段）。

研究人員在北京電動汽車服務與管理中心（SMC-EV）收集的數(shù)據(jù)集上訓練、評估了該LSTM模型，該數(shù)據(jù)集中包括一輛電動出租車在一年時間內(nèi)存儲的電池相關(guān)數(shù)據(jù)。該模型考慮到了電動汽車電池的三個重要表征參數(shù)，即電壓、溫度和SOC，而且具備獨特結(jié)構(gòu)和設(shè)計，其中包括的超參數(shù)都預先得到優(yōu)化，也可離線接受訓練。

此外，研究人員還研發(fā)了一種方法，以進行天氣-車輛-駕駛員分析。該方法考慮到天氣和駕駛員行為對電池系統(tǒng)性能的影響，最終能夠提升模型的預測精度。此外，研究人員還采用了提前中途退出的方法，通過在訓練前確認最合適的參數(shù)，以防止LSTM模型過度擬合。

對該LSTM模型進行評估和仿真測試之后得出了非常好的結(jié)果，新方法無需額外的時間來處理數(shù)據(jù)，而且比其他電池參數(shù)預測策略表現(xiàn)得更好。研究人員收集的結(jié)果表明，該模型可用于判斷各種電池故障，并及時向駕駛員和乘客發(fā)出通知，以防止發(fā)生致命事故。

研究人員發(fā)現(xiàn)，在完成離線訓練之后，LSTM模型可以快速準確地完成在線預測。換句話說，離線訓練并沒有降低該模型預測的速度和準確性。未來，研究人員研發(fā)的電池參數(shù)預測模型將有助于提高電動汽車的安全性和效率。同時，研究人員計劃在更多數(shù)據(jù)集上訓練該LSTM網(wǎng)絡，從而進一步提高其性能和通用性。