Les chercheurs présentent une méthode d'apprentissage sur appareil permettant aux véhicules électriques d'adapter en continu des modèles de prédiction de puissance de batterie pré-entraînés à de nouvelles distributions de données non vues. Cette approche transforme les modèles existants en versions adaptables qui conservent les connaissances critiques en hyperparamètres issues de l'entraînement initial, tout en permettant des mises à jour continues dans des systèmes aux ressources limitées.
- L'étude examine à la fois les stratégies d'adaptation de modèle en ligne et hors ligne pour les VE.
- Les techniques d'adaptation en ligne réduisent l'erreur absolue moyenne jusqu'à 7,49 %.
- Les techniques d'adaptation hors ligne réduisent l'erreur absolue moyenne jusqu'à 14,88 %.
- Les résultats montrent des améliorations significatives des performances de prévision sur divers modèles et horizons temporels.
Cette étude met en évidence le bénéfice substantiel de l'adaptation sur appareil, qui se traduit par une prédiction de la puissance de batterie améliorée par rapport aux déploiements de modèles non adaptés dans des scénarios réels de VE.