Estratégia adaptativa de gerenciamento de energia difusa para veículos elétricos com alcance estendido integrados com aprendizado profundo

Resumo Um novo framework para gerenciamento adaptativo de energia, baseado em princípios de aprendizado profundo, é proposto para minimizar o consumo de combustível em veículos elétricos de alcance estendido em meio a cenários de condução complexos. Esta abordagem inovadora integra uma rede de memória de longo e curto prazo (LSTM) para reconhecimento de padrões em três padrões de condução e um controlador difuso adaptativo. Para mitigar o impacto da má seleção de hiperparâmetros na precisão do reconhecimento, a Otimização do Lobo Cinzento é empregada para otimizar os nós da camada oculta, os tempos de treinamento e a taxa de aprendizado da LSTM. Simultaneamente, um algoritmo genético é utilizado para otimizar as coordenadas dos vértices da função de pertinência de controle difusa, permitindo o ajuste adaptativo de parâmetros na estratégia de gerenciamento de energia difusa. O modelo de reconhecimento de condição identifica com precisão o status de condução do veículo e faz a transição de maneira fluida para uma estratégia de gerenciamento de energia adaptada às condições presentes. Isso garante uma operação ideal, melhorando a eficiência de combustível e o desempenho geral. Os resultados da simulação validam robustamente a eficácia desta abordagem: a rede GWO‐LSTM alcança uma impressionante precisão de 97,7% no reconhecimento das condições de trabalho, superando a precisão de 88,9% da rede LSTM tradicional. Além disso, a redução do consumo de combustível alcançada pela estratégia adaptativa de gerenciamento de energia difusa é de 11,9% em comparação com a abordagem convencional de gerenciamento de energia difusa. Este resultado destaca a melhoria tangível na economia de combustível do veículo decorrente da integração fluida das técnicas de aprendizado profundo.