研究人员研发出一种基于深度学习的新方法 可分析天气和驾驶员行为对电池系统性能的影响
据外媒报道，为电动汽车提供动力的电池拥有几个关键的表征参数，包括电压、温度和变化状态（soc）。由于电池的故障与此类参数的异常波动有关，能够有效地预测此类参数对于长期确保电动汽车安全、可靠地运行至关重要。
北京理工大学（beijing institute of technology）、北京电动汽车联合创新中心（beijing co-innovation center for electric vehicles）和美国韦恩州立大学（wayne state university）的研究人员最近研发了一种基于深度学习的新方法，能够同步预测电动汽车电池系统的多个参数。该新方法基于长短时记忆（lstm）递归神经网络，是一个深度学习架构，既能够处理单个数据点（如图像），又能处理整个数据序列（如语音记录或视频片段）。
研究人员在北京电动汽车服务与管理中心（smc-ev）收集的数据集上训练、评估了该lstm模型，该数据集中包括一辆电动出租车在一年时间内存储的电池相关数据。该模型考虑到了电动汽车电池的三个主要表征参数，即电压、温度和soc，而且具备独特结构和设计，其中包括的超参数都预先得到优化，也可离线接受训练。
此外，研究人员还研发了一种方法，以进行天气-车辆-驾驶员分析。该方法考虑到天气和驾驶员行为对电池系统性能的影响，最终能够提升模型的预测精度。此外，研究人员还采用了提前中途退出的方法，通过在训练前确认最合适的参数，以防止lstm模型过度拟合。
对该lstm模型进行评估和仿真测试之后得出了非常好的结果，新方法无需额外的时间来处理数据，而且比其他电池参数预测策略表现得更好。研究人员收集的结果表明，该模型可用于判断各种电池故障，并及时向驾驶员和乘客发出通知，以避免发生致命事故。
研究人员发现，在完成离线训练之后，lstm模型可以快速准确地完成在线预测。换句话说，离线训练并没有降低该模型预测的速度和准确性。
未来，研究人员研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数据集上训练该lstm网络，从而进一步提高其性能和通用性。
线路板废水处理的探讨
采用了大量智能技术的政务中心站至政务中心东站右线盾构本月始发
群联晒11月业绩证实：SSD等要大涨价了
工程师为你分析各种本本芯片技术
NI和华中科技大学再度携手,共建物理设计与创新联合实验室
研究人员研发出一种基于深度学习的新方法 可分析天气和驾驶员行为对电池系统性能的影响
2018年的智能音箱市场无疑是惨烈的 各方仍旧愈战愈勇
如何利用多个上下文信息来做同义实体发现问题上进行了一些新的探索
小区电动车充电桩盈利能力前景分析
采用结型场效应管加大输入电压范围电路
5G在能源互联网中将呈现出怎样的发展前景
三星Galaxy S21 Ultra或将在1月底正式上市
AMD Zen3性能实测：6核堪比8核Zen2
打破智能电视“失声”怪圈，OPPO智能电视发力音质体验
怎样选购洗碗机
基于ADUC7026的PID算法在基站功率控制中的应用
功能单元＋工业工程,锂电装备一体化新挑战
来自5G商用的前夜的观察和思考
华为屏幕指关节操作方法及技术原理
华为P10闪存门最新消息：华为P10闪存门事件将不会再发生，打破三星限制华为要自己造
北京理工大学（beijing institute of technology）、北京电动汽车联合创新中心（beijing co-innovation center for electric vehicles）和美国韦恩州立大学（wayne state university）的研究人员最近研发了一种基于深度学习的新方法，能够同步预测电动汽车电池系统的多个参数。该新方法基于长短时记忆（lstm）递归神经网络，是一个深度学习架构，既能够处理单个数据点（如图像），又能处理整个数据序列（如语音记录或视频片段）。
研究人员在北京电动汽车服务与管理中心（smc-ev）收集的数据集上训练、评估了该lstm模型，该数据集中包括一辆电动出租车在一年时间内存储的电池相关数据。该模型考虑到了电动汽车电池的三个主要表征参数，即电压、温度和soc，而且具备独特结构和设计，其中包括的超参数都预先得到优化，也可离线接受训练。
此外，研究人员还研发了一种方法，以进行天气-车辆-驾驶员分析。该方法考虑到天气和驾驶员行为对电池系统性能的影响，最终能够提升模型的预测精度。此外，研究人员还采用了提前中途退出的方法，通过在训练前确认最合适的参数，以防止lstm模型过度拟合。
对该lstm模型进行评估和仿真测试之后得出了非常好的结果，新方法无需额外的时间来处理数据，而且比其他电池参数预测策略表现得更好。研究人员收集的结果表明，该模型可用于判断各种电池故障，并及时向驾驶员和乘客发出通知，以避免发生致命事故。
研究人员发现，在完成离线训练之后，lstm模型可以快速准确地完成在线预测。换句话说，离线训练并没有降低该模型预测的速度和准确性。
未来，研究人员研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数据集上训练该lstm网络，从而进一步提高其性能和通用性。
线路板废水处理的探讨
采用了大量智能技术的政务中心站至政务中心东站右线盾构本月始发
群联晒11月业绩证实：SSD等要大涨价了
工程师为你分析各种本本芯片技术
NI和华中科技大学再度携手,共建物理设计与创新联合实验室
研究人员研发出一种基于深度学习的新方法 可分析天气和驾驶员行为对电池系统性能的影响
2018年的智能音箱市场无疑是惨烈的 各方仍旧愈战愈勇
如何利用多个上下文信息来做同义实体发现问题上进行了一些新的探索
小区电动车充电桩盈利能力前景分析
采用结型场效应管加大输入电压范围电路
5G在能源互联网中将呈现出怎样的发展前景
三星Galaxy S21 Ultra或将在1月底正式上市
AMD Zen3性能实测：6核堪比8核Zen2
打破智能电视“失声”怪圈，OPPO智能电视发力音质体验
怎样选购洗碗机
基于ADUC7026的PID算法在基站功率控制中的应用
功能单元＋工业工程,锂电装备一体化新挑战
来自5G商用的前夜的观察和思考
华为屏幕指关节操作方法及技术原理
华为P10闪存门最新消息：华为P10闪存门事件将不会再发生，打破三星限制华为要自己造