Improving battery voltage prediction in an electric bicycle using altitude measurements and kernel adaptive filters

ماهیت متغیر زمان الگوهای مصرف در توسعه وسایل نقلیه الکتریکی قابل اعتماد و طرح های زمان واقعی برای ارزیابی استقلال انرژی حیاتی است. اکثر این طرح ها از مشاهدات ولتاژ باتری به عنوان منبع اولیه اطلاعات استفاده می کنند و از متغیرهای خارج از وسیله نقلیه که بر خودمختاری تاثیر می گذارند، غفلت می کنند و به مشخص کردن رفتار باتری به عنوان دستگاه ذخیره سازی اصلی کمک می کند. با استفاده از دوچرخه الکتریکی به عنوان مورد مطالعه، ما نشان می دهد که ترکیب متغیرهای خارجی (به عنوان مثال، اندازه گیری ارتفاع) پیش بینی های مرتبط با تکامل ولتاژ باتری در زمان را بهبود می بخشد. ما این را با پیشنهاد یک فیلتر انطباق هسته جدید برای ورودی های چندگانه و با ساختار فرهنگ لغت وابسته به داده ها به دست می آوریم. این به ما اجازه می دهد وابستگی ولتاژ باتری و تغییرات ارتفاع را به شیوه ای متوالی مدل کنیم. روش پیشنهادی شامل کشف خودکار ارتباط ولتاژ و ارتفاع از داده ها و پیش بینی کننده ولتاژ مبتنی بر هسته برای رسیدگی به مسئله مهم در قابلیت اطمینان وسایل الکتریکی است. روش پیشنهادی بر روی یک فیلتر انطباق هسته استاندارد، فیلترهای خطی ثابت و فیلترهای خطی سازگار به عنوان پایه در پیش بینی کوتاه مدت و دراز مدت داده های ولتاژ باتری واقعی معتبر است.