Китайські дослідники знайшли спосіб точніше прогнозувати запас ходу електромобілів і ефективніше використовувати енергію акумулятора, приділивши особливу увагу роботі системи опалення, яка в холодну пору року поглинає левову частку заряду. Новий підхід здатен допомогти електрокарам долати значно більші дистанції без підзарядки.
Для проведення аналізу вчені задіяли телеметричні дані з 72 реальних поїздок на електромобілях BMW i3. Вони ретельно вивчили стан батареї, енерговитрати на обігрів салону та інші параметри, що безпосередньо впливають на автономність. Після цього дослідники зіставили результати роботи чотирьох популярних алгоритмів машинного навчання: XGBoost, AdaBoost, CatBoost і K-Nearest Neighbor.
Найефективнішим виявився алгоритм CatBoost. А додаткове тонке налаштування його параметрів за допомогою метаевристичного методу Horned Lizard Optimization (HLO) дозволило досягти ще вищої точності прогнозування. Якщо початкова базова модель пояснювала приблизно 73% змін у даних, то вдосконалена гібридна версія покращила цей показник до впевнених 84%.
Окремо науковці перевірили доцільність використання енергії рекуперативного гальмування для потреб салонного обігріву. Під час уповільнення електромобіль здатний повертати частину кінетичної енергії назад в акумулятор, а перенаправлення цього ресурсу на опалення потенційно знижує навантаження на тягову батарею.
Це має критичне значення взимку, коли робота печі суттєво скорочує реальний пробіг машини. За висновками авторів проєкту, запропонована методика здатна підвищити загальну енергоефективність і подовжити термін служби акумуляторів, хоча точних цифр щодо приросту кілометражу в умовах реальної експлуатації поки не наводять.
