Les chercheurs présentent une approche novatrice permettant l'apprentissage sur appareil dans des systèmes de véhicules électriques à ressources limitées, afin d'adapter continuellement les modèles de prédiction de batterie pré-entraînés à de nouvelles données non vues.
- La méthode transforme les modèles pré-entraînés existants en versions adaptatives qui conservent les connaissances critiques des hyperparamètres issues de l'entraînement initial.
- L'étude examine à la fois les stratégies d'adaptation de modèle en ligne et hors ligne pour la prévision de séries temporelles.
- Les résultats montrent des réductions de l'erreur absolue moyenne allant jusqu'à 7,49 % avec l'adaptation en ligne et 14,88 % avec les techniques d'adaptation hors ligne.
Cette approche met en évidence le bénéfice substantiel de l'adaptation sur appareil, entraînant des prédictions de puissance de batterie améliorées par rapport aux déploiements de modèles non adaptés dans des scénarios réels.