歡迎來到演算法、軟體和硬體三位一體的未來世界論文書籍站
國立臺灣大學 機械工程學研究所 陳希立所指導 黃柏鈞的 太陽能光電結合淺層溫能之顯熱儲能空調系統性能研究 （2019），提出電池百分比耗電關鍵因素是什麼，來自於太陽能發電、儲能、太陽能空調、淺層溫能。
而第二篇論文國立臺灣大學 應用力學研究所 劉佩玲所指導 黃薇甄的 以實車數據建構電動車剩餘里程之深度學習預測模型 （2019），提出因為有 電動車剩餘里程、單位電量里程、電動車耗能、SOC、RNN、LSTM、ANN、SVR的重點而找出了 電池百分比耗電的解答。
電池百分比耗電進入發燒排行的影片
顯示電池剩餘電量百分比真的會比較耗電嗎？
太陽能光電結合淺層溫能之顯熱儲能空調系統性能研究
為了解決電池百分比耗電 的問題，作者黃柏鈞 這樣論述：
台灣空調用電約佔全國總用電近三分之一，但空調機使用時機不一定與太陽輻射同步，白天太陽能光電發電大量輸出，如不需使用空調機或其他高耗能家電，太陽能光電發電系統所發之電就必須饋入現有電網，將造成電網不穩，且電網饋線不足太陽能光電所發之電也難以輸送，電網強化又需鉅額成本與時間；若多餘太陽能光電發電不饋入電網，就必須設置昂貴的蓄電池蓄電。如果能將多餘的太陽能發電來推動空調機，進行儲存溫差運轉來解決上述之困難，且利用淺層溫能來加強儲冷、儲熱效能同時處理排出的冷、熱能，更有效的處理能源問題，為一項重要的技術。 因此本研究旨在開發新型「太陽能光電結合淺層溫能之儲溫空調系統」，整合於隔離混合型太陽光能
發電系統，發電自用、不回售電網、用水當介質，形成可儲存溫差之太陽能空調系統，並以淺層溫能來加強儲冷及房，研究中將空調機改裝成具有儲存溫差並且可釋出用於冷暖房的功能；當太陽能發電系統有多餘電力時，用來驅動系統並將溫差儲存於儲能桶內，等需要開啟空調時，利用所儲存的溫差來降低空調耗電，再以淺層溫能補足空調室外機設計不足之處、提高效能。本研究共執行兩種基礎測試、三種溫差儲存測試及兩者整合後的整體效能測試，再針對實驗設計未詳盡考量的地方進行優化改良及建議。由以上實驗結果得知，儲能系統在釋冷測試時〖COP〗_RC為6.01，與基礎測試〖COP〗_BC的4.36上升了37.86%，釋熱測試時〖COP〗_RH
為5.66，與基礎測試〖COP〗_BH的4.23上升30.71%；此儲能設備成本與目前已商業化的家用儲能設備比較，僅約有30%的價格，且由上述的實驗結果，家庭空調用電每年可節省636度電，由此證明儲能空調系統可由儲存、釋放溫差以轉移太陽能光電所發之電及提升空調機性能的可行性，同時省下太陽能光電系統儲電的成本以及後續維護的問題。
以實車數據建構電動車剩餘里程之深度學習預測模型
為了解決電池百分比耗電 的問題，作者黃薇甄 這樣論述：
近年來，隨著油價上漲和環保意識抬頭，電動車的市場在台灣蓬勃發展。相較於傳統油車，電動車具備更高的能源效率並且對於環境的污染相對較少。然而國人對於電動車的購買以及使用依然有些許的隱憂，其中包含充電樁設立數量不足、對於電池電量消耗的不熟悉、過長的充電時間以及行駛里程上的限制，而上述的問題都會造成電動車駕駛者對於剩餘里程的焦慮，不確定剩餘電量是否能到達目的地。本研究之目標在於發展深度學習的模型來預測電動車剩餘里程，以得到更精準的剩餘里程預估來緩解駕駛者的焦慮。本研究所採用的預測模型包括支持向量回歸 (Support vector regression, SVR)、人工神經網路 (Artificia
l neural network, ANN)、遞迴神經網路 (Recurrent neural network, RNN) 以及其延伸長短期記憶網路 (Long short-term memory, LSTM)。預測模型的輸入資料主要參考車輛物理模型以及輔助系統耗電，包括剩餘電量、車速、坡度、加速度、風速、天氣、空調系統的設定、車燈開啟狀態等，預測模型之輸出則為單位時間耗電量，再結合車速可得到單位耗電量可行駛的里程，以剩餘電量除以單位電量里程 (unit energy mileage)，即可預估剩餘里程。前述模型以華創車電提供之5台LUXGEN S3 EV電動車在夏季的行駛資料進行訓練，結果顯
示，各模型對單位電耗里程之預測以2-time-step LSTM 模型預測結果最佳，其餘依次為1-time-step LSTM、2-time-step RNN、1-time-step RNN、ANN，SVR模型殿後，平均絕對百分比誤差分別為12.3%、15.7%、27.9%、31.3%、35.7%以及41.4%，顯見以2-time-step LSTM 模型預測單位耗電里程最具可行性。本研究亦對2-time-step LSTM 進行參數分析，發現：1. 當車速在20至100 km/h之間，可行駛里程隨車速遞增; 2. 當剩餘電量遞減，單位電量里程隨之遞增; 3. 當車輛加速度變化越劇烈，可行駛里
程遞減。最後，本研究提出兩種向駕駛者提供電池用電情況的情境。第一種情境是將預估之剩餘里程即時通知駕駛者，但為了避免預估之剩餘里程隨駕駛情況變化而上下振盪，可對預估里程取移動平均。第二種情境適用於駕駛者已有既定行程，依據旅程路徑及當時情況，可利用前述模型預測整趟旅程所需的耗電量。這兩種資訊應有助於駕駛者了解電動車狀況，並有助於緩解其焦慮。