От вас наверняка не ускользнуло то, что цикл одобрения WLTP, который используется для определения автономности электромобилей, регулярно подвергается критике. Говорят, что это не отражает реального разнообразия использования. В недавнем исследовании исследователи попытались заменить этот статический подход искусственным интеллектом. Они предлагают новый адаптивный метод расчета, который имеет смысл.
Определение модельного ряда электромобилей
Нам нужно поместить тему в контекст. Хотя WLTP открыто критикуется, этот цикл родился не из плохих намерений. Первоначально он был создан для замены старого цикла NEDC и был направлен на то, чтобы приблизить показатели одобрения к фактическому использованию. Но, несмотря на более разнообразный анализ скорости и увеличенную продолжительность испытаний, он остается стандартизированным циклом, выполняемым в очень точных условиях, и его просто невозможно воспроизвести в повседневной жизни. В результате автономность, указанная в техническом паспорте электромобилей, в основном используется для сравнения моделей друг с другом, а тем более для прогнозирования автономности, фактически доступной в данной поездке.
Также читайте
Вот электромобили, аккумуляторы которых изнашиваются медленнее всегоИменно этот пробел исследователи хотели изучить в исследовании, опубликованном несколько недель назад в журнале. Природа. Их отправная точка — сказать, что запас хода электромобиля — это не фиксированная величина, а чрезвычайно контекстуальные данные, которые постоянно зависят от множества параметров. Среди них уклон дороги, скорость, стиль вождения, уровень заряда аккумулятора, внешняя температура и даже использование кондиционера. Так много критериев, которые, как вы знаете, если вы ездите на электромобиле, напрямую влияют на потребление. И иногда гораздо более заметным образом, чем предполагают циклы одобрения.
Об этом позаботится ИИ
Чтобы попытаться лучше отразить эту реальность, исследователи разработали модель на основе искусственного интеллекта (ИИ), способную оценить оставшийся запас хода электромобиля в режиме реального времени. Из-за отсутствия достаточно полной общедоступной базы данных они полагались на синтетический набор данных, содержащий около 2000 сценариев вождения. Каждый сценарий сочетает в себе различные параметры, такие как топография, погодные условия, скорость, ускорение и даже уровень заряда аккумулятора. Эти данные были использованы для обучения нескольких алгоритмов машинного обучения. Классические модели, но есть и более сложные архитектуры.
Целью этого исследования было не только спрогнозировать оставшийся запас хода электромобиля, но и выявить так называемые «условия вождения». оптимальный «. Особенно когда речь идет о скорости и ускорении. С целью максимизации энергоэффективности. Авторы считают, что « сочетание нескольких моделей позволяет достичь высокого уровня точности, значительно более высокого, чем у оценки на основе статического цикла «.ИИ позволил протестировать различные комбинации.
Рельеф, определяющий критерий
Исследование также подчеркивает реальную значимость некоторых факторов, которые часто недооцениваются. Как мы видим на этом графике, рельеф является наиболее определяющим параметром, в большей степени, чем средняя скорость. Состояние заряда также играет важную роль. Потребление не меняется линейно по мере разряда аккумулятора. И наоборот, некоторые элементы, такие как погода или использование вспомогательного оборудования, оказывают более ограниченное влияние, если рассматривать их изолированно. Они становятся значимыми в сочетании с другими переменными.
Цикл WLTP скоро будет поставлен под сомнение?
На бумаге этот подход знаменует собой довольно явный разрыв с расчетами WLTP. Там, где европейский цикл одобрения обеспечивает уникальное и фиксированное значение, ИИ, разработанный этими исследователями, обещает предложить динамическую оценку, пересчитанную в соответствии с реальной ситуацией с транспортным средством. Логика, которая полностью близка к тому, что ищут водители, особенно во время длительных поездок или в стесненных условиях. Например, в горах или на трассе.
Что ж, исследователи по-прежнему призывают к осторожности. Они уточняют, что модель основана исключительно на смоделированных данных и что она еще не сравнивалась с измерениями транспортных средств в реальных условиях. Результаты многообещающие, но на данном этапе они не представляют собой оперативную альтернативу WLTP.
Но это исследование, по крайней мере, имеет то достоинство, что открывает путь к эволюции в расчете запаса хода электромобилей. Завтра производители, вероятно, уже не будут удовлетворены простой цифрой, представленной в брошюре, но они смогут предложить масштабируемые данные, интегрированные в навигационные системы. Это уже имеет место в некоторых моделях, но здесь не хватает точности.
