NEWSWISE – Wenn EVs qua nachhaltige Sonstige zum konventionellen Zuführung sich zeigen, wird die Fähigkeit, die Gesundheit jener Batterie zu beaufsichtigen und den Status jener Ladezucht zu beaufsichtigen, immer wichtiger. Die SOC -Schätzung gibt an, wie viel Ladung in einer Batterie verbleibt, welches die EV -Leistung und -sicherheit unverhohlen gelenkt. Traditionelle Methoden wie Coulomb Counting und modellbasierte Techniken nach sich ziehen zwar weit verbreitet, nach sich ziehen jedoch Schwierigkeiten, die komplexe, nichtlineare Leidenschaft von Batteriesystemen zu berücksichtigen. Selbige Einschränkungen nach sich ziehen die Erfindung fortschrittlicherer SoC -Schätztechniken zur Verbesserung jener Fahrzeugzuverlässigkeit und jener Optimierung des Energieverbrauchs angeregt.
Forscher jener Universiti Malaysien Pahang al-Sultan Abdullah und jener Federal University of Kashere nach sich ziehen ein hochmodernes Hybridmodell entwickelt, um jene Herausforderungen zu bewältigen. Dasjenige Prototyp kombiniert die Leistung von tiefen neuronalen Netzwerken (DNNs) mit jener Nutzen des TLBO-Algorithmus (Lehr-Learning-basierter Optimierung), um die SOC-Schätzung im Kontext Lithium-Ionen-Batterien zu verbessern. Veröffentlicht (doi: 10.1016/j.enss.2025.01.002) In jener Energiespeicherung und Einsparung am 16. Februar 2025 zeigt die Studie, dass jene TLBO-DNNS-Zwitterhaft-Zwitterhaft traditionelle und andere Hybridmethoden in Bezug aufwärts Vorschriften und Zuverlässigkeit übertrifft und vereinigen spielerischen Verfahrensweise pro EV-Batterie-Managementsysteme bereithalten.
Dasjenige TLBO-DNNS-Prototyp optimiert die Gewichte und Verzerrungen von DNNs durch den TLBO-Algorithmus und erfasst die in Batteriedaten vorhandenen nichtlinearen Beziehungen effektiv. Tested on a massive dataset of 1,064,000 samples from BMW i3 EVs, the model achieved a mean absolute error (MAE) of 3.4480 and a root mean square error (RMSE) of 4.6487—significantly outperforming other zwitterhaft models such as barnacle mating optimizer–DNNs (BMO-DNNs), evolutionary mating algorithm-DNNs (EMA-DNNS) und Partikelschwarmoptimierung-DNNs (PSO-DNNs). Darüber hinaus zeigte es eine überlegene Leistung im Vergleich zu eigenständigen Modellen wie autoregressiven integrierten gleitenden Durchschnitt (ARIMA) und Support Vector Machine (SVM). Mit einer optimalen Konfiguration unter Verwendung von 21 Neuronen schlägt dieses Prototyp ein perfektes Gleichgewicht zwischen Recheneffizienz und hoher Vorhersagegenauigkeit ein und macht es ideal pro BMS-Anwendungen in realer Welt.
Dr. Zuriani Mustaffa, jener Hauptautor jener Studie, betonte die Wert des Hybridmodells: „Integration von TLBO in DNNs markiert vereinigen entscheidenden Postmeilensäule in die Evolution von BMS. Dieser neuartige Verfahrensweise verfeinert nicht nur die Korrektheit jener SOC -Schätzung, sondern steigert fernerhin die allgemeine Zuordnung von EVs.
Dasjenige TLBO-DNNS-Prototyp ist pro die Zukunft von EVs ein immenses Versprechen. Durch die Zurverfügungstellung genauerer SoC -Schätzungen kann es die Batterieleistung erheblich verbessern, die Akkulaufzeit verlängern und die Sicherheit jener Fahrzeugführer verbessern. Da sich jener globale Markt pro Elektrofahrzeuge weiter ausdehnt, werden solche Durchbrüche von entscheidender Wert sein, um eine jener kritischsten Herausforderungen im Kontext jener Batterieverwaltung zu besiegen und letztendlich effizientere, zuverlässigere und nachhaltige Transportsysteme zu fördern. Mit jener kontinuierlichen Erfindung von SoC -Schätztechnologien sieht die Zukunft jener EVs heller aus qua je zuvor.
###
Referenzen
Doi
10.1016/j.ens.2025.01.002
Ursprüngliche Ursprung -URL
https://doi.org/10.1016/j.ens.2025.01.002
Finanzierungsinformationen
Selbige Arbeit wurde vom Ministerium pro Hochschulbildung Malaysien (MOHE) im Rahmen des grundlegenden Forschungsstipendiums, Grant Nr. FRGS/1/2024/ICT02/UMP/02/unterstützt.
Oberhalb Energiespeicher und Einsparung
Energy Storage and Saving (ESS) ist ein interdisziplinäres Open -Access -Journal, dasjenige ursprüngliche Forschungsartikel im Sphäre Energiespeicher und Energieeinsparung verbreitet. Dasjenige Ziel von FOS ist es, neue Forschungsergebnisse vorzustellen, die sich aufwärts die Unterstützung einer nachhaltigen Energieverbrauch, die Verbesserung jener Energieeffizienz und die Erwerbung jener Energieeinsparung und Verringerung jener Verschmutzung verdichten.
