- El estudio utiliza la energía de frenado recuperada y el aprendizaje automático para gestionar la demanda de calefacción del vehículo eléctrico.
- Los mejores resultados de predicción provienen de la combinación de CatBoost y el algoritmo de optimización Horned Lizard.
- Estas estrategias mejoran la autonomía y la vida útil de la batería, pero no especifican la magnitud de la mejora.
- El análisis de importancia de características examina los principales factores de entrada que influyen en la predicción.
[Artículo original]
La necesidad de calefacción del vehículo eléctrico depende de la misma batería que impulsa sus ruedas. Investigadores chinos exploraron cómo utilizar la energía de frenado recuperada y el aprendizaje automático para gestionar esta demanda, y utilizaron datos de 72 viajes reales de un BMW i3 para el análisis. Este estudio fue realizado conjuntamente por Chen Baofan de la Chongqing Water Resources and Electric Engineering College y Zhou Chunrong de la Chongqing Vocational College of Transportation; compararon cuatro algoritmos para predecir el estado de carga final de la batería y la distancia recorrida. Los mejores resultados provinieron de la combinación de CatBoost con el algoritmo de optimización Horned Lizard. Este marco superó en rendimiento predictivo al modelo de referencia, al tiempo que modeló por separado cómo la energía de frenado regenerativo apoya la calefacción del habitáculo.
Construcción del modelo con datos reales
Para construir el modelo a partir de la conducción real, los investigadores registraron primero los datos de la batería y del circuito de calefacción durante la marcha del BMW i3. Estas mediciones capturan las condiciones operativas reales, incluidas temperaturas variables y comportamientos de conducción, en lugar de depender exclusivamente de ciclos de laboratorio estandarizados. Construyeron modelos del vehículo y del circuito de calefacción, y luego compararon los resultados de la simulación con los datos de marcha registrados para evaluar si reproducían el comportamiento eléctrico y térmico del automóvil. El equipo también diseñó una estrategia para dirigir la energía de frenado regenerativo hacia la calefacción del habitáculo. El frenado regenerativo recupera parte de la energía cinética del vehículo como electricidad durante la desaceleración; utilizar esta energía recuperada para la calefacción reduce la demanda sobre la batería de tracción.
Comparación y resultados de los algoritmos de predicción
El informe del estudio indica que estas estrategias mejoran la autonomía y la vida útil de la batería, aunque el informe no precisa la magnitud de esas mejoras. En la comparación de cuatro algoritmos de predicción, el análisis de aprendizaje automático utiliza variables ambientales, del vehículo, de la batería y del sistema térmico para predecir el estado de carga final y la distancia recorrida. Los cuatro modelos comparados son XGBoost, AdaBoost, CatBoost y K-Nearest Neighbor. La evaluación combinó una división 80/20 entre entrenamiento y prueba, y se realizó una validación cruzada de cinco pliegues para evaluar el rendimiento más allá de los datos de entrenamiento.
CatBoost ofreció los mejores resultados de referencia. En el conjunto de prueba, su coeficiente de determinación (R²) alcanzó 0.7260, el error cuadrático medio fue de 0.0734 y el error absoluto medio de 0.0592. Su R² de validación cruzada alcanzó 0.802.
Mejor rendimiento del algoritmo de optimización
Los investigadores probaron luego tres algoritmos metaheurísticos de optimización para ajustar los hiperparámetros de CatBoost. El algoritmo de optimización Horned Lizard produjo la combinación de mejor rendimiento, denominada HLO-CatBoost. Su R² de prueba aumentó a 0.8408, el error cuadrático medio descendió a 0.0559, una reducción de aproximadamente el 24 %, y el error absoluto medio bajó a 0.0434. Los investigadores también examinaron el comportamiento del marco en distintos escenarios ambientales y evaluaron la incertidumbre de sus predicciones. Un análisis de eficiencia computacional evaluó su idoneidad para uso práctico. El diagrama de Williams ayudó a identificar valores atípicos y a determinar el dominio de aplicabilidad del modelo, mostrando que las predicciones pueden extenderse más allá de las condiciones representadas en los datos de entrenamiento.
El análisis de importancia de características examinó qué entradas tienen mayor influencia en la predicción de la carga restante y la distancia recorrida.
Estos análisis son cruciales, porque la temperatura y la demanda de calefacción del habitáculo pueden alterar la autonomía del vehículo eléctrico. Predicciones más fiables pueden fundamentar decisiones de gestión térmica. Sin embargo, la mejora de precisión reportada solo describe el rendimiento predictivo del modelo y no cuantifica el correspondiente aumento de autonomía o de vida útil de la batería. El estudio se publicó en la revista Ionics.
Elemento Especificación Capacidad de la batería Desconocido Autonomía Desconocido
Aplicación del aprendizaje automático en la gestión térmica de vehículos eléctricos
Esta investigación muestra cómo el aprendizaje automático puede mejorar eficazmente la eficiencia de la gestión térmica de los vehículos eléctricos, especialmente en lo que respecta a la demanda de calefacción. Al recuperar la energía de frenado, se reduce la dependencia de la batería principal, lo que prolonga la distancia recorrida y la vida útil de la batería. Aunque no se cuantifican las mejoras, estos hallazgos tienen importantes implicaciones para el diseño y la operación de vehículos eléctricos, en particular en el contexto actual de cambio climático y desafíos de eficiencia energética. Investigaciones adicionales pueden ayudar a perfeccionar estas tecnologías, impulsando la adopción y el desarrollo sostenible de los vehículos eléctricos.