Identifier avec précision les paramètres des modèles électrochimiques du Li-ion
batterie (LiB) Les cellules sont une tâche essentielle pour améliorer la fidélité et
capacité prédictive. Les méthodes traditionnelles d'identification des paramètres nécessitent souvent
expériences approfondies de collecte de données et manque d’adaptabilité en dynamique
environnements. Cet article décrit un apprentissage par renforcement (R.L.) approche basée
qui adapte dynamiquement le profil actuel appliqué à une cellule LiB pour optimiser
les paramètres d'identifiabilité du modèle électrochimique. Le proposé
Le framework est implémenté en temps réel à l'aide d'un Hardware-in-the-Loop (HIL) installation,
qui sert de banc d'essai fiable pour évaluer la stratégie de conception basée sur RL.
La validation HIL confirme que la conception expérimentale basée sur RL surpasse
protocoles de test conventionnels utilisés pour l'identification des paramètres en termes de
réduire les erreurs de modélisation sur un test de vérification et minimiser la durée
de l'expérience utilisée pour l'identification des paramètres.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: