دراسة تُظهر أن تقنية الكبح التجديدي يمكن أن تُحسّن أداء مدى سيارات BMW الكهربائية

[المقال الأصلي]

يعتمد احتياج التدفئة في السيارات الكهربائية على نفس البطارية التي تُحرك عجلاتها. ناقش باحثون صينيون كيفية الاستفادة من طاقة الكبح المستعادة والتعلم الآلي لإدارة هذا الاحتياج، وذلك باستخدام بيانات من 72 رحلة فعلية لسيارة BMW i3 للتحليل. أجرى هذه الدراسة تشن باو فان من كلية تشونغتشينغ للهندسة المائية والكهربائية، وتشو تشون رونغ من كلية تشونغتشينغ المهنية للنقل، حيث قارنا أربع خوارزميات للتنبؤ بحالة شحن البطارية النهائية ومدى القيادة. جاءت أفضل النتائج من الجمع بين CatBoost وخوارزمية تحسين السحلية ذات القرون. تفوق هذا الإطار في أداء التنبؤ على النماذج المرجعية، كما تم نمذجة كيفية دعم طاقة الكبح التجديدي لتدفئة المقصورة بشكل منفصل.

بناء النموذج باستخدام بيانات فعلية

لبناء النموذج من القيادة الفعلية، سجل الباحثون أولاً بيانات البطارية ودائرة التدفئة أثناء قيادة BMW i3. التقطت هذه القياسات ظروف التشغيل الفعلية، بما في ذلك درجات الحرارة المتغيرة وسلوكيات القيادة، بدلاً من الاعتماد بالكامل على دورات المختبر المعيارية. قاموا ببناء نماذج للسيارة ودائرة التدفئة، ثم قارنوا نتائج المحاكاة مع بيانات الرحلات المسجلة لتقييم ما إذا كانت تعيد إنتاج السلوك الكهربائي والحراري للسيارة. وضع الفريق أيضًا استراتيجيات لتوجيه طاقة الكبح التجديدي نحو تدفئة المقصورة. يستعيد الكبح التجديدي جزءًا من الطاقة الحركية للسيارة كطاقة كهربائية أثناء التباطؤ، ويمكن لاستخدام هذه الطاقة المستعادة في التدفئة تقليل الطلب على بطارية الجر.

مقارنة خوارزميات التنبؤ والنتائج

أظهر تقرير البحث أن هذه الاستراتيجيات حسّنت مدى القيادة وعمر البطارية، على الرغم من أن التقرير المقدم لم يحدد حجم هذه المكاسب بدقة. في مقارنة أربع خوارزميات تنبؤ، استخدم تحليل التعلم الآلي متغيرات البيئة والمركبة والبطارية والأنظمة الحرارية للتنبؤ بحالة الشحن النهائية ومدى القيادة. النماذج الأربع المقارنة هي XGBoost، AdaBoost، CatBoost، و K-Nearest Neighbor. جمع التقييم بين تقسيم تدريب/اختبار 80/20 والتحقق المتقاطع بخمس طيات، لتقييم الأداء بما يتجاوز بيانات التدريب.

قدم CatBoost أقوى النتائج المرجعية. في مجموعة الاختبار، بلغ معامل التحديد (R²) 0.7260، وجذر متوسط الخطأ التربيعي 0.0734، ومتوسط الخطأ المطلق 0.0592. بلغ R² في التحقق المتقاطع 0.802.

أفضل أداء لخوارزميات التحسين

اختبر الباحثون بعد ذلك ثلاث خوارزميات تحسين ميتا-هيوريستيكية لضبط إعدادات CatBoost الداخلية. أنتجت خوارزمية تحسين السحلية ذات القرون أفضل مجموعة أداءً، وسميت HLO-CatBoost. ارتفع R² في الاختبار إلى 0.8408، وانخفض جذر متوسط الخطأ التربيعي إلى 0.0559، بانخفاض حوالي 24٪، بينما انخفض متوسط الخطأ المطلق إلى 0.0434. فحص الباحثون أيضًا سلوك الإطار في سيناريوهات بيئية مختلفة، وقيّموا عدم اليقين في تنبؤاته. قيم تحليل الكفاءة الحسابية ملاءمته للاستخدام الفعلي. ساعد رسم ويليامز في تحديد القيم الشاذة وتحديد نطاق تطبيق النموذج، مما أظهر أن التنبؤات يمكن أن تمتد إلى ما وراء الظروف التي تمثلها بيانات التدريب.

فحص تحليل أهمية الميزات أي المدخلات كان لها أكبر تأثير على التنبؤ بالطاقة المتبقية ومدى القيادة.

هذه الفحوصات بالغة الأهمية، لأن درجة الحرارة واحتياجات تدفئة المقصورة يمكن أن تغير مدى قيادة السيارة الكهربائية. يمكن أن تُرشد تنبؤات أكثر موثوقية قرارات الإدارة الحرارية. ومع ذلك، فإن تحسين الدقة المبلغ عنه يصف فقط أداء تنبؤ النموذج، ولم يُقاس الزيادة المقابلة في مدى القيادة أو عمر البطارية. نُشرت الدراسة في مجلة Ionics.