- Penelitian memanfaatkan energi rem regeneratif dan pembelajaran mesin untuk mengelola kebutuhan pemanasan kendaraan listrik.
- Hasil prediksi terbaik berasal dari gabungan CatBoost dan algoritma optimasi Horned Lizard.
- Strategi ini meningkatkan jarak tempuh dan umur baterai, tetapi tidak menyebutkan besaran peningkatan secara spesifik.
- Analisis kepentingan fitur meninjau faktor input utama yang memengaruhi prediksi.
[Artikel Asli]
Kebutuhan pemanasan kendaraan listrik bergantung pada baterai yang sama yang menggerakkan rodanya. Peneliti di China mengeksplorasi cara memanfaatkan energi rem yang diregenerasi dan pembelajaran mesin untuk mengelola kebutuhan tersebut, dan menggunakan data 72 kali perjalanan nyata BMW i3 untuk analisis. Penelitian ini dilakukan bersama oleh Chen Baofan dari Chongqing Water Resources and Electric Engineering College dan Zhou Chunrong dari Chongqing Communications Vocational College, mereka membandingkan empat algoritma untuk memprediksi sisa daya baterai dan jarak tempuh. Hasil terbaik berasal dari skema yang menggabungkan CatBoost dengan algoritma optimasi Horned Lizard. Kerangka kerja ini mengungguli model dasar dalam performa prediksi, sambil secara terpisah memodelkan bagaimana energi rem regeneratif mendukung pemanasan kabin.
Membangun Model dengan Data Nyata
Membangun model dari pengemudian nyata, peneliti pertama kali mencatat data baterai dan sirkuit pemanas saat BMW i3 berjalan. Pengukuran ini menangkap kondisi operasi aktual, termasuk suhu dan perilaku mengemudi yang bervariasi, bukan sepenuhnya mengandalkan siklus laboratorium terstandarisasi. Mereka membangun model mobil dan sirkuit pemanas, lalu membandingkan hasil simulasi dengan data perjalanan tercatat untuk menilai apakah model mereproduksi perilaku listrik dan termal mobil. Tim juga merumuskan strategi mengarahkan energi rem regeneratif ke pemanas kabin. Rem regeneratif mengubah sebagian energi kinetik mobil kembali menjadi listrik saat perlambatan, memanfaatkan energi yang diregenerasi untuk pemanasan dapat mengurangi permintaan pada baterai traksi.
Perbandingan dan Hasil Algoritma Prediksi
Laporan penelitian menunjukkan strategi ini meningkatkan jarak tempuh dan umur baterai, meskipun laporan yang disediakan tidak menyebutkan besaran peningkatan tersebut secara spesifik. Dalam perbandingan empat algoritma prediksi, analisis pembelajaran mesin menggunakan variabel lingkungan, kendaraan, baterai, dan sistem termal untuk memprediksi state of charge akhir dan jarak tempuh. Empat model yang dibandingkan adalah XGBoost, AdaBoost, CatBoost, dan K-Nearest Neighbor. Evaluasi menggabungkan pembagian pelatihan dan pengujian 80/20, serta validasi silang lima lipat, untuk menilai performa melampaui data pelatihan.
CatBoost memberikan hasil dasar terkuat. Pada set pengujian, koefisien determinasi (R²)-nya mencapai 0,7260, root mean squared error sebesar 0,0734, dan mean absolute error sebesar 0,0592. R² validasi silangnya mencapai 0,802.
Performa Terbaik Algoritma Optimasi
Peneliti kemudian menguji tiga algoritma optimasi metaheuristik untuk menyetel parameter internal CatBoost. Algoritma optimasi Horned Lizard menghasilkan kombinasi terbaik, bernama HLO-CatBoost. R² pengujiannya meningkat menjadi 0,8408, root mean squared error turun menjadi 0,0559, berkurang sekitar 24%, sedangkan mean absolute error turun menjadi 0,0434. Peneliti juga mengevaluasi perilaku kerangka kerja di berbagai skenario lingkungan, dan menilai ketidakpastian predisinya. Analisis efisiensi komputasi menilai kelayakan penggunaan praktis. Diagram Williams membantu mengidentifikasi pencilan dan menentukan domain aplikabilitas model, menunjukkan prediksi dapat terektensi di luar kondisi yang diwakili data pelatihan.
Analisis kepentingan fitur meninjau input mana yang paling memengaruhi prediksi sisa daya dan jarak tempuh.
Pemeriksaan ini krusial karena suhu dan kebutuhan pemanasan kabin dapat mengubah jarak tempuh kendaraan listrik. Prediksi yang lebih andal dapat menjadi landasan keputusan manajemen termal. Namun, peningkatan akurasi yang dilaporkan hanya mendeskripsikan performa prediksi model, dan tidak mengkuantifikasi peningkatan jarak tempuh atau umur baterai yang bersesuaian. Penelitian ini diterbitkan di jurnal Ionics.
Item Spesifikasi Kapasitas Baterai Tidak diketahui Jarak Tempuh Tidak diketahui
Aplikasi Pembelajaran Mesin dalam Manajemen Termal Kendaraan Listrik
Penelitian ini menunjukkan bagaimana pembelajaran mesin dapat secara efektif meningkatkan efisiensi manajemen termal kendaraan listrik, terutama pada aspek kebutuhan pemanasan. Melalui pengembalian energi rem, ketergantungan pada baterai utama dapat dikurangi, sehingga memperpanjang jarak tempuh dan umur baterai. Meskipun tidak mengkuantifikasi besaran peningkatan secara spesifik, temuan ini memiliki arti penting bagi desain dan operasional kendaraan listrik, apalagi di tengah tantangan perubahan iklim dan efisiensi energi saat ini. Penelitian lebih lanjut dapat membantu menyempurnakan teknologi ini, mendorong adopsi dan pengembangan berkelanjutan kendaraan listrik.