Los investigadores presentan un método de aprendizaje en el dispositivo que permite a los vehículos eléctricos adaptar continuamente modelos de predicción de energía de batería previamente entrenados a nuevas distribuciones de datos no vistas. Este enfoque transforma los modelos existentes en versiones adaptables que retienen el conocimiento crítico de hiperparámetros del entrenamiento inicial mientras permiten actualizaciones continuas en sistemas con recursos limitados.
- El estudio investiga tanto estrategias de adaptación de modelos en línea como fuera de línea para vehículos eléctricos.
- Las técnicas de adaptación en línea logran reducciones del error absoluto medio de hasta un 7,49%.
- Las técnicas de adaptación fuera de línea logran reducciones del error absoluto medio de hasta un 14,88%.
- Los resultados muestran mejoras significativas en el rendimiento de la predicción a través de varios modelos y horizontes temporales.
Este estudio destaca el beneficio sustancial de la adaptación en el dispositivo, lo que resulta en predicciones mejoradas de la energía de la batería en comparación con los despliegues de modelos no adaptados en escenarios reales de vehículos eléctricos.