机构名称：
¥ 1.0
里程焦虑和缺乏足够的快速充电途径已被证明是电动汽车 (EV) 普及的重要障碍。虽然已经开发出许多快速充电 EV 电池的技术（基于模型和无模型），但它们都集中在单个锂离子电池上。电池组的扩展很少，通常考虑简化架构（例如串联）以方便建模。计算方面的考虑也将快速充电模拟限制在小型电池组，例如四个电池（串联和并联电池）。因此，在本文中，我们采用基于强化学习 (RL) 的无模型方法来快速充电大型电池组（包含 444 个电池）。每个电池都由等效电路模型和二阶集总热模型表征，以模拟电池行为。在训练底层 RL 之后，开发的模型将易于实现且计算复杂度低。具体来说，我们使用近端策略优化 (PPO) 深度 RL 作为训练算法。 RL 的训练方式是将快速充电造成的容量损失降至最低。电池组的最高电池表面温度与电池组的充电状态一起被视为 RL 状态。最后，在详细的案例研究中，将结果与恒流-恒压 (CC-CV) 方法进行比较，并展示了基于 RL 的方法的卓越性能。我们提出的 PPO 模型可以像具有 5C 恒定阶段的 CC-CV 一样快速地为电池充电，同时将温度保持在与具有 4C 恒定阶段的 CC-CV 一样低的水平。
基于强化学习的电动汽车电池组快速充电
主要关键词
相关文件推荐
