據外媒報道，為電動汽車供應動力的電池擁有幾個關鍵的表征參數，包括電壓、溫度和變化狀態（SOC）。由于電池的故障與此類參數的異常波動有關，能夠有效地預測此類參數關于長期確保電動汽車安全、可靠地運行至關重要。

北京理工大學（BeijingInstituteofTechnology）、北京電動汽車聯合創新中心（BeijingCo-InnovationCenterforElectricVehicles）和美國韋恩州立大學（WayneStateUniversity）的研究人員最近研發了一種基于深度學習的新方法，能夠同步預測電動汽車電池系統的多個參數。該新方法基于長短時記憶（LSTM）遞歸神經網絡，是一個深度學習架構，既能夠處理單個數據點（如圖像），又能處理整個數據序列（如語音記錄或視頻片段）。

研究人員在北京電動汽車服務與管理中心（SMC-EV）收集的數據集上訓練、評估了該LSTM模型，該數據集中包括一輛電動出租車在一年時間內存儲的電池相關數據。該模型考慮到了電動汽車電池的三個重要表征參數，即電壓、溫度和SOC，而且具備獨特結構和設計，其中包括的超參數都預先得到優化，也可離線接受訓練。

此外，研究人員還研發了一種方法，以進行天氣-車輛-駕駛員分析。該方法考慮到天氣和駕駛員行為對電池系統性能的影響，最終能夠提升模型的預測精度。此外，研究人員還采用了提前中途退出的方法，通過在訓練前確認最合適的參數，以防止LSTM模型過度擬合。

對該LSTM模型進行評估和仿真測試之后得出了非常好的結果，新方法無需額外的時間來處理數據，而且比其他電池參數預測策略表現得更好。研究人員收集的結果表明，該模型可用于判斷各種電池故障，并及時向駕駛員和乘客發出通知，以避免發生致命事故。

研究人員發現，在完成離線訓練之后，LSTM模型可以快速準確地完成在線預測。換句話說，離線訓練并沒有降低該模型預測的速度和準確性。

未來，研究人員研發的電池參數預測模型將有助于提高電動汽車的安全性和效率。同時，研究人員計劃在更多數據集上訓練該LSTM網絡，從而進一步提高其性能和通用性。