基于物理信息的强化学习方法用于电池退化感知的长期充电优化
系统与控制
2025-10-14 v1 系统与控制
摘要
电池随使用和循环而退化，这种老化通常通过电阻增长和容量衰减来体现。多年来，文献中提出了各种充电方法，旨在实现最佳、快速或以健康为导向的充电。然而，很少有工作尝试使普遍使用的恒定电流恒定电压 (CCCV) 充电协议能够适应循环中不断变化的电池健康。本工作旨在弥合这一差距，提出一种框架来优化 CCCV 协议中恒定电流部分的充电，使其适应长期电池退化。具体而言，我们采用基于物理信息的强化学习 (RL) 方法，不仅估计关键的电池退化机制，即活性材料损失 (LAM)，还根据这一特定退化调整 CCCV 的电流幅度。该框架通过结合 PyBamm（开源电池建模工具）和 Stable-baselines 实现，其中 RL 代理使用 Proximal Policy Optimization (PPO) 网络进行训练。仿真结果表明，所提出的框架在嵌入物理信息至 RL 算法中，能够提升广泛使用的 CCCV 协议。我们还讨论了该代理与两种由非物理信息 RL 代理和恒定 CCCV 对于所有循环的充电协议之间的比较研究。
引用
@article{arxiv.2510.11515,
title = {A Physics-Informed Reinforcement Learning Approach for Degradation-Aware Long-Term Charging Optimization in Batteries},
author = {Shanthan Kumar Padisala and Bharatkumar Hegde and Ibrahim Haskara and Satadru Dey},
journal= {arXiv preprint arXiv:2510.11515},
year = {2025}
}