The EVE project has been a research project to explore the use of data, analytics, and machine learning to prolong the lifetime of electric vehicles. In this endeavor, the project has focused on the most crucial components of an electric drivetrain, such as the battery, ECUs, charging hardware, and charging infrastructure to identify potentials to extend the lifetime of the components. Extending the lifetime of these vital components will in turn have a large impact on the total cost and environmental impact of electric vehicles, as the drivetrain and energy storage systems stand for a significant amount of the cost and environmental footprint of the heavy-duty vehicles. During the project, we have investigated different techniques and methods. For example, Transfer Learning methods were utilized to transfer insights from the older hybrid buses into newer generations, providing a significant increase in the ability to calculate and model Battery State of Health over classical Supervised Regression Models. The project has also utilized Machine Learning methods to create predictive maintenance algorithms for the drivetrain, enabling faster identification of errors and, therefore, a longer lifetime of the vehicles. The project has also used FLAML to identify and train models on real-world data to predict the energy consumption of full-electric vehicles in different driving scenarios, giving insights into critical components and drivers of consumption in the vehicles.

EVE projektet har varit ett forskningsprojekt för att utforska användandet av data, data-analys och maskininlärning för att förlänga livslängden på elektrifierade fordon. Projektet har fokuserat på de mest kritiska komponenterna i den elektriska drivlinan såsom batteri, styrenheter, hårdvara för laddning och laddinfrastruktur. Att förlänga livstiden på dessa kritiska komponenter för tunga fordon ger stor positiv påverkan på fordonets totala kostnad, både i ekonomiska och miljömässiga termer. Projektet har utforskat olika tekniker och metoder. Transfer Learning metodik har använts för att använda lärdomar från hybrid bussar in i nyare generationer för att signifikant förbättra modeller för beräkning av batterihälsa jämfört med klassiska övervakade regressionsmodeller. Projektet har även använt maskininlärning för att skapa algoritmer för prediktivt underhåll av drivlinan vilket möjliggör snabbare identifiering av fel och skapar möjligheter för förlängd livstid av fordonet. Projektet har även använt FLAML för att träna modeller på högfrekvent positionsdata för att prediktera energiförbrukning hos elektrifierade bussar under olika körscenarion, vilket har gett en ökad kunskap kring kritiska komponenter och deras bidrag till energiförbrukningen.