Управление батареей электромобиля на основе машинного обучения и ПЛИС
https://doi.org/10.15514/ISPRAS-2025-37(4)-13
Аннотация
В работе представлена ПЛИС-реализация адаптивного блока управления питанием для электромобилей, основанная на гибридной модели с использованием двунаправленной долгосрочной краткосрочной памяти и дерева решений. Разработка выполнена на платформе Zynq UltraScale+ MPSoC и предназначена для оценки состояния заряда аккумулятора и классификации условий вождения с целью оптимального распределения мощности между компонентами электроавтомобиля. Аппаратный стенд моделирует характеристики среднего электромобиля, генерируя данные о положении дросселя, скорости, напряжении/токе батареи и координатах каждые 30 секунд. Экспериментальные результаты показывают значительное улучшение энергоэффективности и сокращение задержки по сравнению с традиционными блоками управления батареей. Предложенная система потребляет около 0,98 Вт, обеспечивает задержку 5,6 мкс и достигает производительности 181,6 операций на ватт, значительно превосходя устройства с микроконтроллерами или сигнальными процессорами. Расчет запаса хода демонстрирует увеличение до 25% в условиях шоссе при использовании модели Bi-LSTM + дерево решений, что подтверждает эффективность предлагаемой адаптивной стратегии управление энергетикой электроавтомобиля.
Ключевые слова
система управления батареей для электромобилей,
встраиваемая реализация на базе ПЛИС,
рекуррентные нейронные сети с долгой краткосрочной памятью,
двунаправленная архитектура Bi-LSTM,
классификация с помощью дерева решений,
алгоритмы оценки уровня заряда,
распознавание стиля вождения с использованием машинного обучения
Об авторах
Ратинараджан Дейзи МЕРИНА
Вел Тех МультиТех Инженерный колледж докторов Сакунтхала и Рангараджана
Индия
Индия
В 2011 году получила степень бакалавра, а в 2022 году магистерскую степень в области компьютерных наук и инженерии. Соискатель степени PhD в области компьютерных наук и инженерии, обладает 6-летним профессиональным опытом выполнения научных исследований. Область научных интересов: кибербезопасность, глубокое обучение и архитектура ПЛИС.
Радхакришнан Саравана РАМ
Факультет электроники и связи, Университет Анны – Мадурайский региональный кампус
Индия
Индия
Обладатель степени PhD в области информации и связи, доцент факультета электроники и технической связи в филиале Университета Анны, Мадурай, Тамилнад, Индия. Научные интересы: реконфигурируемая архитектура, процессоры, СБИС, беспроводные сенсорные сети, сетевая безопасность и интернет вещей.
Лордвин Сесил Прабхакер МАЙКЛ
Вел Тех МультиТех Институт науки и технологий доктора Сакунтхала и Рангараджана
Индия
Индия
Обладатель степени PhD в области информационных и коммуникационных технологий (Университет Анны, 2018 г.), профессор кафедры электроники и коммуникационных технологий в Вел Тех МультиТех Инженерный колледж докторов Сакунтхала и Рангараджана, Ченнай, Индия. Область научных интересов: встраиваемые системы, интернет вещей, системы реального времени, интеллектуальный системный дизайн, системы высокопроизводительных вычислений, многоядерные архитектуры и машинное обучение для управления батареями электромобилей. Член научных сообществ IEEE, IAEng, CSTA и HiPEAC, рецензент международных журналов и конференций.
Список литературы
1. Khan, M. K., Houran, M. A., Kauhaniemi, K., Zafar, M. H., Mansoor, M., & Rashid, S. (2024). Efficient state of charge estimation of lithium-ion batteries in electric vehicles using evolutionary intelligence-assisted GLA–CNN–Bi-LSTM deep learning model. Heliyon, 10(15), e35183. https://doi.org/10.1016/j.heliyon.2024.e35183.
2. Rahman, T., Miah, M. S., Karim, T. F., Hossain Lipu, M. S., Fuad, A. M., Islam, Z. U., Ali, M. M. N., Shakib, M. N., Sahrani, S., & Sarker, M. R. (2024). Empowering fuel cell electric vehicles towards sustainable transportation: An analytical assessment, emerging energy management, key issues, and future research opportunities. World Electric Vehicle Journal, 15(11), 484. https://doi.org/10.3390/wevj15110484.
3. Miao, Y., Gao, Y., Liu, X., Liang, Y., & Liu, L. (2025). Analysis of state-of-charge estimation methods for Li-ion batteries considering wide temperature range. Energies, 18(5), 1188. https://doi.org/10.3390/en18051188S. Thangavel, D. Mohanraj, T. Girijaprasanna, S. Raju, C. Dhanamjayulu and S. M. Muyeen, "A Comprehensive Review on Electric Vehicle: Battery Management System, Charging Station, Traction Motors," in IEEE Access, vol. 11, pp. 20994-21019, 2023, doi: 10.1109/ACCESS.2023.3250221.
4. Lu, J., Chen, Z., Yang, Y., & L. V., M. (2018). Online estimation of state of power for lithium-ion batteries in electric vehicles using genetic algorithm. IEEE Access, 6, 20868–20880. https://doi.org/10.1109/ACCESS.2018.2824559.
5. Kim, M., & So, J. (2023). VLSI design and FPGA implementation of state-of-charge and state-of-health estimation for electric vehicle battery management systems. Journal of Energy Storage, 73, 108876. https://doi.org/10.1016/j.est.2023.108876.
6. Raj, P. J., Prabhu, V. V., & Premkumar, K. (2021). Fuzzy logic-based battery management system for solar-powered Li-ion battery in electric vehicle applications. Journal of Circuits, Systems and Computers, 30(03), 2150043. https://doi.org/10.1142/S0218126621500432.
7. Merina, R.D., Ram, R.S. & Micheal, L.C.P. (2025) FPGA implementation of intelligent battery management unit (i-BMU) based on dynamic power distribution technique for electric vehicles. Analog Integr Circ Sig Process 123, 42. https://doi.org/10.1007/s10470-025-02370-8.
8. Xue, F., Ling, Z., Yang, Y., & Miao, X. (2017). Design and implementation of novel smart battery management system for FPGA-based portable electronic devices. Energies, 10(3), 264. https://doi.org/10.3390/en10030264.
9. Al-Dhaifallah, M., Ali, Z. M., Alanazi, M., & others. (2021). An efficient short-term energy management system for a microgrid with renewable power generation and electric vehicles. Neural Computing and Applications, 33, 16095–16111. https://doi.org/10.1007/s00521-021-06247-5.
10. Ping, F., Miao, X., Yu, H., & Xun, Z. (2023). An improved LSTNet approach for state-of-health estimation of automotive lithium-ion battery. Electronics, 12, 2647. https://doi.org/10.3390/electronics12122647.
11. R. S. Ram and M. L. C. Prabhaker, (2023) "Intelligent optimization approaches for a secured dynamic partial reconfigurable architecture-based health monitoring system", J. Circuits Syst. Comput., vol. 32, no. 3. https://doi.org/10.1142/S0218126623500470.
12. Merina, R.D., Ram, R.S. & Micheal, L.C.P. (2025) FPGA implementation of intelligent battery management unit (i-BMU) based on dynamic power distribution technique for electric vehicles. Analog Integr Circ Sig Process 123, 42. https://doi.org/10.1007/s10470-025-02370-8.
13. Saday, A., & others. (2023). FPGA-based battery management system for real-time monitoring and instantaneous SOC prediction. International Journal of Applied Methods in Electronics and Computers, 11(1), 55–61. https://doi.org/10.18100/ijamec.1233451.
14. Kumar, B., Khare, N., & Chaturvedi, P. K. (2018). FPGA-based design of advanced BMS implementing SoC/SoH estimators. Microelectronics Reliability, 84, 66–74. https://doi.org/10.1016/j.microrel.2018.03.015.
15. Gatica, G., Ahumada, G., Escobar, J. W., & Linfati, R. (2018). Efficient heuristic algorithms for location of charging stations in electric vehicle routing problems. Studies in Informatics and Control, 27(1), 73–82. https://doi.org/10.24846/v27i1y201808.
Рецензия
Для цитирования:
МЕРИНА Р.Д., РАМ Р.С., МАЙКЛ Л.П. Управление батареей электромобиля на основе машинного обучения и ПЛИС. Труды Института системного программирования РАН. 2025;37(4):215-232. https://doi.org/10.15514/ISPRAS-2025-37(4)-13
For citation:
MERINA R.D., RAM R.S., MICHEAL L.P. Machine Learning-Enabled Battery Management System on FPGA for Electric Vehicles. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2025;37(4):215-232. (In Russ.) https://doi.org/10.15514/ISPRAS-2025-37(4)-13
Послать статью по эл. почте 