基于深度强化学习的无线传感网络中电池退化主动管理与分组更换策略
机器学习
2025-03-25 v2 人工智能
摘要
无线传感网络 (WSN) 已成为结构健康监测 (SHM) 的热门解决方案，尤其在难以到达或偏远地点。电池供电的 WSN 相较于有线系统具有多项优势，但电池寿命有限始终是其实际应用中的最大障碍之一，无论采用何种能源采集方法。虽然已有多种方法用于电池健康管理，但现有方法仅旨在延长单个电池的寿命，缺乏系统层面的视角。应用此类方法的结果是，WSN 中各电池的失效时间相互错开，给电池更换计划和调度带来显著难度。本研究针对电池退化的主动管理，提出一种基于深度强化学习 (DRL) 的方法，通过优化 WSN 的工作电流来实现系统层面的管理。这种主动管理策略有效减少了个别电池的早期失效，从而实现无需牺牲 WSN 性能的分组更换。我们开发了基于实际场景的 WSN 设置的仿真环境，用于训练 DRL 智能体并学习最优的工作电流策略。该策略在不同网络规模的长期实验中得到验证，表明其在效率和可扩展性方面具有优势。
引用
@article{arxiv.2503.15865,
title = {Active management of battery degradation in wireless sensor network using deep reinforcement learning for group battery replacement},
author = {Jong-Hyun Jeong and Hongki Jo and Qiang Zhou and Tahsin Afroz Hoque Nishat and Lang Wu},
journal= {arXiv preprint arXiv:2503.15865},
year = {2025}
}