في عالم المركبات الكهربائية (Electric Vehicles)، تُمثل إدارة الطاقة التكيفية أحد أبرز التحديات التي تواجه المهندسين والمطورين. تعتمد هذه العملية بشكل كبير على دقة تنبؤات طاقة البطارية. ورغم أن نماذج التعلم العميق (Deep Learning Models) قد أثبتت فعاليتها في التنبؤ بالبيانات الزمنية، إلا أن أداءها يتعرض للتدهور عند التعامل مع بيانات ذات توزيعات مختلفة عن تلك المستخدمة في تدريباتها.

لكن، ما الجديد في هذا المجال؟ تقدم الدراسة الحديثة نهجًا مبتكرًا يمكنه إجراء التعلم مباشرة على الجهاز، مما يمكّن أنظمة المركبات الكهربائية المحدودة الموارد من التكيف بشكل مستمر مع نماذج التنبؤ بالبطارية المدربة مسبقًا.

تستفيد هذه العملية من تحويل النماذج الحالية إلى نسخ قابلة للتكيف تحتفظ بالمعرفة الحيوية المتعلقة بالمعلمات الدقيقة (Hyperparameters) من تدريبها الأولي. كما يقوم الباحثون بدراسة شاملة لاستراتيجيات التكيف، سواء عبر الإنترنت أو بدون اتصال.

تشير النتائج إلى تحسن ملحوظ في أداء التنبؤ عبر نماذج مختلفة وأفق زمني متعدد، حيث حققت تقنيات التكيف عبر الإنترنت تقليصًا في خطأ المتوسط المطلق يصل إلى 7.49%، في حين سجلت التقنيات بدون اتصال انخفاضًا يصل إلى 14.88%.

تسلط هذه الدراسة الضوء على الفائدة الكبيرة من التكيف على الجهاز، حيث تؤدي إلى تحسينات ملموسة في تنبؤات طاقة البطارية مقارنة بالنماذج غير المتكيفة في السيناريوهات الواقعية للمركبات الكهربائية. هذه النتائج تبشر بعصر جديد من إدارة الطاقة في المركبات الكهربائية، مما يجعلها أكثر كفاءة وموثوقية.