Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Apprentissage par renforcement pour un contrôle robuste et sensible au vieillissement des systèmes de batteries Li-ion avec vérification formelle basée sur les données

Created by
  • Haebom

Auteur

Rudi Coppola, Hovsep Touloujian, Pierfrancesco Ombrini, Manuel Mazo Jr.

Contour

Cet article propose une approche de conception de protocoles de charge et de sécurité pilotée par les données, utilisant un modèle de batterie haute fidélité basé sur la physique, afin de résoudre le compromis entre vitesse de charge et dégradation de la durée de vie de la batterie. En exploitant la technique de synthèse inductive guidée par contre-exemple, nous présentons une stratégie de contrôle hybride combinant apprentissage par renforcement (RL) et méthodes formelles pilotées par les données. Nous synthétisons des contrôleurs individuels par RL, puis les partitionnons en structures qui commutent en fonction des mesures initiales de sortie de la batterie grâce à une abstraction pilotée par les données. Le système hybride résultant combine une sélection discrète entre contrôleurs basés sur RL et une dynamique continue de la batterie. Une fois la conception satisfait aux exigences, l'abstraction fournit des garanties probabilistes sur les performances en boucle fermée.

Takeaways, Limitations

Takeaways:
Une nouvelle approche pour traiter efficacement la vitesse de charge et la dégradation de la durée de vie des batteries à l’aide de méthodes basées sur les données est présentée.
Conception et assurance de sécurité de stratégies de contrôle hybrides en combinant l'apprentissage par renforcement et les méthodes formelles basées sur les données.
Fournir des garanties probabilistes sur les performances des systèmes en boucle fermée grâce à des techniques d'abstraction.
Limitations:
Manque de validation expérimentale de la méthode proposée sur des systèmes de batteries réels.
Dépendance à la précision et aux performances de généralisation des modèles de batterie basés sur la physique haute fidélité.
Des recherches supplémentaires sont nécessaires sur la précision et l’efficacité de l’abstraction basée sur les données.
La généralisabilité à travers une variété de chimies de batteries et de conditions de fonctionnement doit être examinée.
👍