据外媒报道，印度潘迪特·迪恩达亚尔能源大学（Pandit Deendayal Energy University）的研究人员开展突破性研究，其中展示了优化人工神经网络（ANN）和基于主要组成部分的特征创建（feature creation）在评估LiFePO4电池充电状态（SoC）中的应用。相关论文发表在期刊《新能源与智能载运（Green Energy and Intelligent Transportation）》上。

（图片来源：Green Energy and Intelligent Transportation）

现在，电动汽车（EV）正在推动当前能源变革，因此需要发展尖端技术，以保证实现可持续性和最佳性能。关键组成部分是准确地评估SoC，这对保持电池健康和优化效率十分重要，是促进EV推广的关键因素。目前的SoC评估方法在准确性、稳健性和实时应用方面都存在局限性。这种方法利用ANN和基于主要组成部分分析的特征创建，旨在解决这些挑战。

精确的数据收集对于开发必要的算法十分重要。该团队设计了一个定制的12 V、4Ah电池包，并配备专门的硬件用于实时监控。树莓派微型电脑（Raspberry Pi）上安装的DHT22温度传感器可以跟踪温度波动，而计算机化电池分析仪可以测量电池的电压、电流和开路电压，从而确保数据准确以用于算法开发。

研究人员分析所收集电池数据的主要组成部分，从而为ANN模型创建输入参数。这为特征工程生成了三个主要组成部分。为了优化模型，该团队测试了10种不同优化器的11种组合，以最小化损失函数，通过尽早终止计算算法（early stopping）来提高训练效率。Adafactor优化器脱颖而出，其均方根误差（RMSE）为0.4083，R²得分为0.9998。

除了EV应用，精确的SoC评估对车辆到电网（V2G）系统也十分重要。在这种系统中，电动汽车可以在峰值需求期间将电力送回电网。它还可以增强可再生能源电网内的储能系统，从而确保更可靠、更高效的电力输送。随着全球不断向可持续能源转变，对精确的SoC预测的需求将会增加，从而推动电池管理和储能技术创新。

这种创新方法为电动汽车驾驶员和能源公司提供了宝贵见解，极大地促进了更智能充电策略和有效能源管理的发展。未来的SoC评估方法需要进行调整，以实时适应不断变化的驾驶条件和能源使用模式，从而实现动态能源管理，并在不同情况下确保能源效率。