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 afin de résoudre le compromis entre vitesse de charge et vieillissement des batteries lithium-ion. À l'aide d'un modèle de batterie haute fidélité basé sur la physique, nous proposons une stratégie de contrôle hybride combinant l'apprentissage par renforcement (RL) et des méthodes formelles pilotées par les données via une synthèse inductive guidée par des contre-exemples. L'RL synthétise des contrôleurs individuels et, grâce à une abstraction pilotée par les données, les décompose en une structure qui commute les contrôleurs en fonction des mesures initiales de sortie de la batterie. Nous implémentons un système hybride en combinant une sélection discrète entre les contrôleurs basés sur l'RL avec 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:
Nous présentons une nouvelle approche qui aborde efficacement le compromis entre la vitesse de charge et le vieillissement des batteries lithium-ion en exploitant des méthodes basées sur les données.
En combinant l’apprentissage par renforcement et les méthodes formelles basées sur les données, nous pouvons concevoir des stratégies de contrôle hybrides qui prennent en compte à la fois les performances et la sécurité.
Les techniques d’abstraction peuvent améliorer la stabilité du système en fournissant des garanties probabilistes sur les performances en boucle fermée.
Limitations:
Il existe un manque de résultats expérimentaux sur l’application et l’évaluation des performances de la méthode proposée aux systèmes de batteries réels.
La validation de la précision et de la capacité de généralisation des modèles de batteries haute fidélité basés sur la physique est nécessaire.
Une analyse plus approfondie est nécessaire sur la précision et l’efficacité de l’abstraction basée sur les données.
Des dépendances peuvent exister concernant les chimies et les conceptions spécifiques des batteries. Des recherches supplémentaires sont nécessaires pour déterminer la généralisabilité.
👍