No/VOL: 06/2025 Page no. 146
Authors: Nour-el-Houda Korbaa , Nadir Bouchetata , Ahmed Belarbi :
Title: Zastosowanie zoptymalizowanej sieci długiej pamięci krótkotrwałej w celu oceny stanu naładowania baterii LFP w pojazdach elektrycznych
Abstract: Dokładne szacowanie stanu naładowania (SOC) jest kluczowe dla niezawodnych systemów zarządzania baterią (BMS) w pojazdach elektrycznych (EV) zasilanych bateriami litowo‑jonowymi, szczególnie w zmiennych warunkach temperaturowych. W niniejszym artykule zaproponowano zoptymalizowaną dwukierunkową sieć długiej pamięci krótkotrwałej z mechanizmem uwagi (Bi‑LSTM‑AM) do dokładnego szacowania SOC w trzech różnych temperaturach (0°C, 25°C, 50°C). Wykorzystano proces uczenia i testowania z profilem US06, a dostrojenie hiperparametrów zapewniło optymalną konfigurację modelu. Bi‑LSTM‑AM przewyższa konwencjonalne sieci LSTM, osiągając szybsze uczenie i niższe koszty obliczeniowe. W rezultacie dostarcza dokładnych szacunków SOC z minimalizacją szumów, osiągając średni błąd kwadratowy (MAE) na poziomie 0,4822% i pierwiastek błędu średniokwadratowego (RMSE) na poziomie 0,6563% w temperaturze 25°C, z dokładnością 99,72% na niewidzianych danych testowych. Podsumowując, oceny zaproponowanego modelu w różnych temperaturach i scenariuszach pokazują, że model działa najlepiej w wyższych temperaturach, z nieco niższą dokładnością w temperaturach niższych. Jednak Bi‑LSTM‑AM konsekwentnie przewyższa istniejące metody szacowania SOC.
Key words: Bateria litowo‑jonowa, Stan naładowania, Szacowanie stanu naładowania, System zarządzania baterią, Długa pamięć krótkotrwała, Mechanizm uwagi.