北京理工大学（Beijing Institute of Technology）、北京电动汽车联合创新中心（Beijing Co-Innovation Center for Electric Vehicles）和美国韦恩州立大学（Wayne State University）的研究人员最近研发了一种基于深度学习的新方法，能够同步预测电动汽车电池系统的多个参数。该新方法基于长短时记忆（LSTM）递归神经网络，是一个深度学习架构，既能够处理单个数据点（如图像），又能处理整个数据序列（如语音记录或视频片段）。
研究人员在北京电动汽车服务与管理中心（SMC-EV）收集的数据集上训练、评估了该LSTM模型，该数据集中包括一辆电动出租车在一年时间内存储的电池相关数据。该模型考虑到了电动汽车电池的三个主要表征参数，即电压、温度和SOC，而且具备独特结构和设计，其中包括的超参数都预先得到优化，也可离线接受训练。
此外，研究人员还研发了一种方法，以进行天气-车辆-驾驶员分析。该方法考虑到天气和驾驶员行为对电池系统性能的影响，最终能够提升模型的预测精度。此外，研究人员还采用了提前中途退出的方法，通过在训练前确认最合适的参数，以防止LSTM模型过度拟合。
对该LSTM模型进行评估和仿真测试之后得出了非常好的结果，新方法无需额外的时间来处理数据，而且比其他电池参数预测策略表现得更好。研究人员收集的结果表明，该模型可用于判断各种电池故障，并及时向驾驶员和乘客发出通知，以避免发生致命事故。
研究人员发现，在完成离线训练之后，LSTM模型可以快速准确地完成在线预测。换句话说，离线训练并没有降低该模型预测的速度和准确性。
未来，研究人员研发的电池参数预测模型将有助于提高电动汽车的安全性和效率。同时，研究人员计划在更多数据集上训练该LSTM网络，从而进一步提高其性能和通用性。
