С ростом популярности электромобилей (EV) становится критически важным обеспечить точную и надежную оценку состояния заряда (SoC) батарей. Это необходимо для оптимизации работы аккумуляторов, увеличения запаса хода и обеспечения безопасности эксплуатации. В этой связи была разработана новая модель глубокого обучения под названием KANBiLSTMAtt, которая сочетает в себе несколько передовых технологий.
Модель интегрирует сеть Колмогорова-Арнольда (KAN), двунаправленную память с коротким и длинным временем (BiLSTM) и механизмы внимания. Это позволяет ей эффективно захватывать нелинейные взаимодействия и долгосрочные временные зависимости в данных о литий-ионных батареях. Важным аспектом является использование Optuna для оптимизации гиперпараметров и NSGA-II для многокритериальной оптимизации, что обеспечивает высокую предсказательную точность при минимальных вычислительных затратах.
Валидация модели проводилась на двух различных химиях батарей при различных температурах, используя данные из набора LG и циклы вождения из набора CALCE. Результаты показали отличную обобщающую способность и надежность модели. KANBiLSTMAtt достигла значения RMSE 0.02%, MAE 0.01% и R² 99% для обоих наборов данных, при этом использует легкую архитектуру и достигает сходимости всего за 90 секунд. Это делает модель особенно подходящей для систем управления батареями в реальном времени и встроенных приложениях.
Комбинируя гибридное глубокое обучение и эволюционную оптимизацию, предложенная модель решает ограничения традиционных методов оценки SoC, предлагая масштабируемое решение для управления энергией в электромобилях следующего поколения. Это открывает новые горизонты для повышения эффективности и надежности аккумуляторов, что станет важным шагом вперед в развитии электромобильной технологии.