Genaue Identifizierung der Parameter elektrochemischer Li-Ionen-Modelle
Batterie (LiB) Zellen ist eine entscheidende Aufgabe für die Verbesserung der Wiedergabetreue und
Vorhersagefähigkeit. Herkömmliche Methoden zur Parameteridentifizierung erfordern häufig
umfangreiche Datenerfassungsexperimente und mangelnde Anpassungsfähigkeit in der Dynamik
Umgebungen. Dieses Papier beschreibt ein Reinforcement Learning (RL) basierte Ansatz
Dadurch wird das auf eine LiB-Zelle angewendete Stromprofil zur Optimierung dynamisch angepasst
die Parameter Identifizierbarkeit des elektrochemischen Modells. Das vorgeschlagene
Das Framework wird mithilfe einer Hardware-in-the-Loop in Echtzeit implementiert (HIL) aufstellen,
Dies dient als zuverlässige Testumgebung für die Bewertung der RL-basierten Designstrategie.
Die HIL-Validierung bestätigt, dass das RL-basierte experimentelle Design eine bessere Leistung erbringt
herkömmliche Testprotokolle, die zur Parameteridentifizierung in Bezug auf beides verwendet werden
Reduzierung der Modellierungsfehler bei einem Verifizierungstest und Minimierung der Dauer
des zur Parameteridentifizierung verwendeten Experiments.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: