基于深度强化学习的电池模型校准
机器学习
2020-12-09 v1 系统与控制
系统与控制
摘要
锂离子电池（Li-I）近来已无处不在，并用于许多物理资产中。为实现对电池放电终点的良好预测，已开发出详细的电化学 Li-I 电池模型。其参数通常在投运前校准，且运行中通常不再重新校准。然而，由于电池性能受老化影响，计算电池模型与真实物理系统之间的现实差距导致预测不准确。监督式机器学习算法将需要大量具代表性的训练数据集，将观测映射到真值校准参数。这对许多实际应用可能不可行。在本文中，我们实现了一种基于强化学习（Reinforcement Learning）的框架，用于可靠且高效地推断电池模型的校准参数。该框架支持计算模型参数的实时推断，以从观测中补偿现实差距。最重要的是，所提方法不需要任何标注数据样本（观测与真值校准参数的样本）。此外，该框架不需要任何关于底层物理模型的信息。实验结果表明，所提方法能够以高精度和高鲁棒性推断模型参数。虽然所得结果与监督式机器学习相当，但其训练过程不依赖真值信息。
引用
@article{arxiv.2012.04010,
title = {Battery Model Calibration with Deep Reinforcement Learning},
author = {Ajaykumar Unagar and Yuan Tian and Manuel Arias-Chao and Olga Fink},
journal= {arXiv preprint arXiv:2012.04010},
year = {2020}
}