Pesquisadores introduzem um método de aprendizado no dispositivo que permite que veículos elétricos adaptem continuamente modelos de previsão de energia da bateria pré-treinados a novas distribuições de dados não vistas. Essa abordagem transforma modelos existentes em versões adaptáveis que retêm conhecimento crítico de hiperparâmetros do treinamento inicial, enquanto permitem atualizações contínuas em sistemas com recursos limitados.
- O estudo investiga estratégias de adaptação de modelos online e offline para veículos elétricos.
- Técnicas de adaptação online alcançam reduções no erro absoluto médio de até 7,49%.
- Técnicas de adaptação offline alcançam reduções no erro absoluto médio de até 14,88%.
- Os resultados mostram melhorias significativas no desempenho da previsão em vários modelos e horizontes temporais.
Este estudo destaca o benefício substancial da adaptação no dispositivo, resultando em previsões aprimoradas da energia da bateria em comparação com implantações de modelos não adaptados em cenários reais de veículos elétricos.