SYSTÈME DE GESTION DE L'ÉNERGIE BASÉ SUR L'IOT DANS LES VÉHICULES ÉLECTRIQUES UTILISANT UN APPRENTISSAGE PROFOND OPTIMISÉ
DOI :
https://doi.org/10.59277/RRST-EE.2026.3.9Mots-clés :
Véhicules électriques (VE), Demande d’énergie, Optimisation, Apprentissage profond, Durée de vie des batteriesRésumé
Les véhicules électriques deviennent la pierre angulaire de la mobilité intelligente dans les applications urbaines grâce à leur potentiel de réduction de l'empreinte carbone. Cette recherche propose un système de gestion de l'énergie pour véhicules électriques basé sur l'Internet des objets (IoT), combinant l'optimisation par les moustaches de phoque (HSWO) et un réseau de neurones à pointes d'Elman amélioré (IESNN). La méthode proposée utilise des capteurs de tension et de courant, placés sur la batterie et le supercondensateur, pour transmettre en temps réel les paramètres énergétiques à la plateforme IoT Blynk, permettant ainsi le contrôle et la surveillance à distance. Le réseau IESNN est utilisé pour prédire la demande d'énergie du système. De plus, l'optimisation HSWO permet d'ajuster les paramètres de pondération du réseau pour améliorer la précision des prédictions. L'intégration de l'IoT permet la maintenance prédictive et la surveillance en temps réel des données, offrant ainsi aux utilisateurs la possibilité d'évaluer à distance les performances du moteur, la consommation d'énergie et l'état de la batterie. Comparé aux techniques existantes, HSWO-IESNN améliore le SoC de 11,9 %, 9,3 %, 7,3 %, 5,6 % et 4,4 % par rapport à IWHO-DL, SCSO-RERNN, EMCABN-ROA, MRA-SDRN et FBPINN-SAO, respectivement.
Références
(1) T.M. Nair, R.S. Sreelekshmi, M.G. Nair, Energy management for hybrid energy storage in electric vehicles using neural network, 2021 Second International Conference on Electronics and Sustainable Communication Systems, pp. 407–411 (2021).
(2) P. Deepa, S. Rajakumar, P.J. Shermila, E.A. Devi, M.E. Prince, A.J.G. Malar, New hybrid Cuk-Landsman high gain DC-DC converter modelling and analysis, Power, 9, 8, pp. 8–16 (2022).
(3) A.J. Gnana Malar, S. Sellamuthu, M. Ganga, N. Mahendran, S. Hoseinzadeh, A. Ahilan, Power system planning and cost forecasting using hybrid particle swarm-Harris hawks optimizations, Journal of Electrical Engineering & Technology, 19, 2, pp. 1023–1031 (2024).
(4) A.K. Karmaker, M.A. Hossain, H.R. Pota, A. Onen, J. Jung, Energy management system for hybrid renewable energy-based electric vehicle charging station, IEEE Access, 11, pp. 27793–27805 (2023).
(5) P. Deepa, S. Rajakumar, P.J. Shermila, E.A. Devi, M.E. Prince, A.J.G. Malar, New hybrid Cuk-Landsman high gain DC-DC converter modelling and analysis, Power, 9, 8, pp. 8–16 (2022).
(6) D. Lavanya, K. Ramakrishnan, An optimized deep learning based intrusion detection model for network application, Network Security, 16, pp. 1–10 (2024).
(7) S. Syafii, K. Krismadinata, M. Muladi, T.K. Agung, D.A. Sandri, Simple photovoltaic electric vehicles charging management system considering sun availability time, Journal of Sustainable Development of Energy, Water and Environment Systems, 12, 1, pp. 1–10 (2024).
(8) G. Murugaiyan, J. Gnanamalar, M. Narayanaperumal, V. Muthuvel, Red fox-based fractional order fuzzy PID controller for smart LED driver circuit, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 68, 4, pp. 395–400 (2023).
(9) J. Hu, Y. Lin, J. Li, Z. Hou, L. Chu, D. Zhao, Y. Zhang, Performance analysis of AI-based energy management in electric vehicles: A case study on classic reinforcement learning, Energy Conversion and Management, 300, pp. 1–10 (2024).
(10) M. Devaki, J. Sathiamoorthy, M. Usha, IoT based air quality monitoring using DenseNet in urban areas, International Journal of Data Science and Artificial Intelligence, 2, 4, pp. 121–127 (2024).
(11) X. Sun, J. Fu, H. Yang, M. Xie, J. Liu, An energy management strategy for plug-in hybrid electric vehicles based on deep learning and improved model predictive control, Energy, 269, pp. 1–10 (2023).
(12) M.T. Vellingiri, I.M. Mehedi, T. Palaniswamy, A novel deep learning-based state-of-charge estimation for renewable energy management system in hybrid electric vehicles, Mathematics, 10, 2, pp. 1–10 (2022).
(13) P. Vasanthkumar, A.R. Revathi, G.R. Devi, R.J. Kavitha, A. Muniappan, C. Karthikeyan, Improved wild horse optimizer with deep learning enabled battery management system for internet of things based hybrid electric vehicles, Sustainable Energy Technologies and Assessments, 52, pp. 1–10 (2022).
(14) C. Srinivasan, Energy management of hybrid energy storage system in electric vehicle based on hybrid SCSO-RERNN approach, Journal of Energy Storage, 78, pp. 1–10 (2024).
(15) I. Kranthikumar, C.H. Srinivas, T.V. Kiran, P. Pradeep, V. Balamurugan, A novel hybrid approach for efficient energy management in battery and supercapacitor based hybrid energy storage systems for electric vehicles, Electrical Engineering, 107, 1, pp. 1–7 (2025).
(16) C. Shanmugam, S. Nattuthurai, S. Muthusamy, Optimized control of hybrid energy storage systems for electric vehicles using BWPOA-MFPIDNN approach, Journal of Energy Storage, 104, pp. 1–10 (2024).
(17) G. Kannayeram, R. Muniraj, J.J. Jasmine, S.E. Raja, T. Jarin, Energy management of renewable energy connected electric vehicles charging using internet of things: Hybrid MRA-SDRN approach, Energy, 304, pp. 1–10 (2024).
(18) P. Aruna, V.V. Prabhu, V. Krishnakumar, Innovative optimization of hybrid energy storage systems for electric vehicles: Integrating FBPINN-SAO to enhance performance and efficiency, Journal of Energy Storage, 108, pp. 1–10 (2025).
(19) N. Djemai, A. Arif, A. Guettaf, T. Berghout, Physics-informed representation learning for hybrid electric vehicle energy management, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 70, 4, pp. 579–584 (2025).
(20) R. Duirasamy, V. Thiyagarajan, A novel fault-tolerant generalized symmetrical topology for renewable energy and electric vehicle applications, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 69, 4, pp. 383–388 (2024).
(21) J.G. Malar, V. Thiyagarajan, N.B.M. Selvan, M.D. Raj, Electric vehicle onboard charging via Harris hawks optimization-based fractional-order sliding mode controller, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 68, 1, pp. 30–35 (2023).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2026
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
