Прогнозування залишкового пробігу електромобіля (EV) є критично важливим завданням для підвищення ефективності планування поїздок, зниження ризику повної розрядки батареї та покращення користувацького досвіду. Одним із основних факторів, що ускладнює точність таких прогнозів, є деградація літій-іонних батарей, яка поступово знижує їхню ємність і впливає на запас ходу. У цій статті досліджується вплив врахування деградації батареї через показник стану здоров’я (SoH) на точність прогнозування пробігу за допомогою алгоритмів машинного навчання. Проведено порівняльний аналіз моделей з і без урахування SoH на основі реальних телеметричних даних. Результати показують, що інтеграція показників деградації батареї в модель значно підвищує точність прогнозування залишкового пробігу. Представлені висновки можуть бути корисними для розробників систем енергоменеджменту та програмного забезпечення для електромобілів.
[1] Waldmann, T., Wilka, M., Kasper, M., Fleischhammer, M., and Wohlfahrt-Mehrens, M. (2014). Temperature dependent ageing mechanisms in Lithium-ion batteries – A Post-Mortem study. Journal of Power Sources, 262, 129–135, https://doi/org/10.1016/j.jpowsour.2014.03.112
[2] S. Saxena (2019). Accelerated degradation model for C-rate loading of lithium-ion batteries /et al. International Journal of Electrical Power & Energy Systems. Vol. 107. P. 438–445, https://doi/org/10.1016/j.ijepes.2018.12.016.
[3] Murgai, S., Bhagwat, H., Dandekar, R. A., Dandekar, R., and Panat, S. (2024). A Scientific Machine Learning Approach for Predicting and Forecasting Battery Degradation in Electric Vehicles. arXiv preprint arXiv:2410.14347. https://doi/org/10.48550/arXiv.2410.14347
[4] Lanubile, A., Bosoni, P., Pozzato, G., Allam, A., Acquarone, M., and Onori, S. (2024). Domain knowledge-guided machine learning framework for state of health estimation in Lithium-ion batteries (Version 1). arXiv., https://doi/org/10.48550/ARXIV.2409.14575
[5] Oh G., Leblanc D. J., Peng H. Vehicle Energy Dataset (VED), A Large-Scale Dataset for Vehicle Energy Consumption Research. IEEE Transactions on Intelligent Transportation Systems. 2020. P. 1–11. https://doi/org/10.1109/tits.2020.3035596
[6] Zhang, S., Fatih, D., Abdulqadir, F., Schwarz, T., and Ma, X. (2022). Extended Vehicle Energy Dataset (eVED): an enhanced large‑scale dataset for deep learning on vehicle trip energy consumption. arXiv preprint arXiv:2203.08630. Отримано з https://arxiv.org/abs/2203.08630
[7] An open tool for creating battery-electric vehicle time series from empirical data, emobpy / C. Gaete-Morales et al. Scientific Data. 2021. Vol. 8, no. 1. https://doi/org/10.1038/s41597-021-00932-9
[8] EV Battery Health Insights: Data From 10,000 Cars | Geotab. Geotab. URL: https://www.geotab.com/blog/ev-battery-health/
[9] Using Internal Data for Electric Vehicles: A Deep Dive. EV Fleet Solutions for Charging Management Systems Ampcontrol. URL: https://www.ampcontrol.io/post/a-deep-dive-into-internal-vehicle-data-and-how-it-is-used-for-electric-vehicles
[10] EVIoT–PredictiveMaint Dataset. (2023). Kaggle. URL: https://www.kaggle.com/datasets/ datasetengineer/eviot-predictivemaint-dataset