การวิจัยแสดงให้เห็นว่าเทคโนโลยีการเบรกแบบฟื้นฟู (Regenerative Braking) สามารถปรับปรุงประสิทธิภาพระยะทางการขับขี่ของรถยนต์ไฟฟ้า BMW ได้

[บทความต้นฉบับ]

ความต้องการในการทำความร้อนของรถยนต์ไฟฟ้าขึ้นอยู่กับแบตเตอรี่เดียวกันที่ขับเคลื่อนล้อของมัน นักวิจัยจากจีนได้ศึกษาวิธีการใช้พลังงานเบรกที่ฟื้นฟูได้และการเรียนรู้ของเครื่องเพื่อจัดการความต้องการนี้ โดยใช้ข้อมูลการขับขี่จริงของ BMW i3 จำนวน 72 ครั้งในการวิเคราะห์ งานวิจัยนี้ดำเนินการโดย Chen Baofan จาก Chongqing Water Resources and Electric Engineering College และ Zhou Chunrong จาก Chongqing Vocational College of Transportation ร่วมกัน โดยพวกเขาได้เปรียบเทียบอัลกอริทึม 4 แบบเพื่อทำนายระดับพลังงานแบตเตอรี่สุดท้ายและระยะทางการขับขี่ ผลลัพธ์ที่ดีที่สุดมาจากการรวม CatBoost กับอัลกอริทึมการเพิ่มประสิทธิภาพแบบ Horned Lizard Optimization (HLO) กรอบงานนี้เกินกว่าประสิทธิภาพการทำนายของโมเดลมาตรฐาน (Benchmark) ในขณะที่สร้างโมเดลแยกต่างหากเพื่อตรวจสอบว่าพลังงานเบรกแบบฟื้นฟู (Regenerative Braking) สนับสนุนการทำความร้อนห้องโดยสารอย่างไร

การสร้างโมเดลด้วยข้อมูลจริง

จากการขับขี่จริงในการสร้างโมเดล นักวิจัยได้บันทึกข้อมูลแบตเตอรี่และวงจรทำความร้อนระหว่างการขับขี่ของ BMW i3 ก่อน การวัดเหล่านี้บันทึกสภาพการปฏิบัติการจริง รวมถึงอุณหภูมิที่เปลี่ยนแปลงและพฤติกรรมการขับขี่ แทนที่จะพึ่งพาเฉพาะรอบทดสอบห้องปฏิบัติการมาตรฐาน พวกเขาสร้างโมเดลรถยนต์และวงจรทำความร้อน จากนั้นเปรียบเทียบผลการจำลองกับข้อมูลการขับขี่ที่บันทึกไว้ เพื่อประเมินว่าสามารถทำซ้ำพฤติกรรมทางไฟฟ้าและความร้อนของรถยนต์ได้หรือไม่ ทีมยังได้กำหนดกลยุทธ์ในการนำพลังงานเบรกแบบฟื้นฟูไปสู่การทำความร้อนห้องโดยสาร การเบรกแบบฟื้นฟู (Regenerative Braking) แปลงพลังงานจลน์บางส่วนของรถยนต์กลับเป็นพลังงานไฟฟ้าระหว่างการลดความเร็ว การใช้พลังงานที่ฟื้นฟูได้เหล่านี้เพื่อทำความร้อนสามารถลดความต้องการจากแบตเตอรี่ขับเคลื่อนได้

การเปรียบเทียบและผลลัพธ์ของอัลกอริทึมการทำนาย

รายงานการวิจัยแสดงให้เห็นว่ากลยุทธ์เหล่านี้เพิ่มระยะทางการขับขี่และอายุการใช้งานแบตเตอรี่ แม้ว่ารายงานที่ให้มาจะไม่ได้ระบุขนาดของผลประโยชน์เหล่านี้อย่างชัดเจน ในการเปรียบเทียบอัลกอริทึมการทำนาย 4 แบบ การวิเคราะห์การเรียนรู้ของเครื่องใช้ตัวแปรด้านสภาพแวดล้อม รถยนต์ แบตเตอรี่ และระบบความร้อน เพื่อทำนายสถานะพลังงานสุดท้าย (State of Charge) และระยะทางการขับขี่ โมเดล 4 แบบที่เปรียบเทียบคือ XGBoost, AdaBoost, CatBoost และ K-Nearest Neighbor การประเมินรวมการแบ่งข้อมูลฝึกอบรมและทดสอบ 80/20 พร้อมกับการตรวจสอบข้าม 5 โฟลด์ (Five-fold Cross-validation) เพื่อประเมินประสิทธิภาพเกินกว่าข้อมูลฝึกอบรม

CatBoost ให้ผลลัพธ์มาตรฐาน (Baseline) ที่แข็งแกร่งที่สุด ในชุดทดสอบ สัมประสิทธิ์การตัดสินใจ (R²) อยู่ที่ 0.7260 ค่ารากมุมสองค่าเฉลี่ย (RMSE) อยู่ที่ 0.0734 และค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) อยู่ที่ 0.0592 ส่วน R² จากการตรวจสอบข้ามอยู่ที่ 0.802

ประสิทธิภาพที่ดีที่สุดของอัลกอริทึมการเพิ่มประสิทธิภาพ

นักวิจัยต่อมาได้ทดสอบอัลกอริทึมการเพิ่มประสิทธิภาพแบบ Metaheuristic 3 แบบ เพื่อปรับแต่งการตั้งค่าภายในของ CatBoost อัลกอริทึมการเพิ่มประสิทธิภาพแบบ Horned Lizard Optimization (HLO) ให้ชุดการรวมที่มีประสิทธิภาพดีที่สุด ซึ่งเรียกว่า HLO-CatBoost R² ของชุดทดสอบเพิ่มขึ้นเป็น 0.8408 RMSE ลดลงเหลือ 0.0559 ลดประมาณ 24% ในขณะที่ MAE ลดลงเหลือ 0.0434 นักวิจัยยังได้ตรวจสอบพฤติกรรมของกรอบงานภายใต้สถานการณ์สภาพแวดล้อมที่แตกต่างกัน และประเมินความไม่แน่นอนของการทำนาย การวิเคราะห์ประสิทธิภาพการคำนวณประเมินความเหมาะสมสำหรับการใช้งานจริง แผนภาพ Williams (Williams Plot) ช่วยระบุค่าผิดปกติ (Outlier) และกำหนดขอบเขตการใช้งานของโมเดล แสดงให้เห็นว่าการทำนายสามารถขยายไปเกินเงื่อนไขที่ข้อมูลฝึกอบรมแสดงถึงได้

การวิเคราะห์ความสำคัญของคุณลักษณะ (Feature Importance) ได้ตรวจสอบว่าอินพุตใดมีผลกระทบมากที่สุดต่อการทำนายระดับพลังงานที่เหลือและระยะทางการขับขี่

การตรวจสอบเหล่านี้มีความสำคัญ เนื่องจากอุณหภูมิและความต้องการทำความร้อนห้องโดยสารอาจเปลี่ยนแปลงระยะทางการขับขี่ของรถยนต์ไฟฟ้า การทำนายที่น่าเชื่อถือมากขึ้นสามารถเป็นพื้นฐานสำหรับการตัดสินใจด้านการจัดการความร้อนได้ อย่างไรก็ตาม ความแม่นยำที่เพิ่มขึ้นที่รายงานมา อธิบายเพียงประสิทธิภาพการทำนายของโมเดลเท่านั้น และไม่ได้ปริมาณการเพิ่มขึ้นของระยะทางการขับขี่หรืออายุการใช้งานแบตเตอรี่ที่สอดคล้องกัน งานวิจัยนี้ตีพิมพ์ในวารสาร 《Ionics》