超越传统实验设计：基于深度强化学习的电池动力学模型辨识实验优化
机器学习
2023-10-13 v1 人工智能
摘要
电池动力学模型辨识是能源研究中的核心问题；许多能源管理系统和设计过程都依赖精确的电池模型来实现效率优化。电池建模的标准方法是传统实验设计（DoE），即用多种不同的电流曲线激励电池动力学，并利用测得的输出来估计系统动力学。然而，尽管传统方法可以获得有用的模型，但由于需要遍历许多不同的电流曲线配置，该过程耗时且昂贵。在本工作中，我们提出了一种基于深度强化学习的新型 DoE 方法，该方法根据过往实验的统计量实时改变实验配置。所提方法不局限于预定义的电流曲线库，而是通过更新过往测量所覆盖的输出空间来动态修改电流曲线，从而仅施加对未来实验具有信息量的电流曲线。仿真与真实实验表明，所提方法获得的模型与传统 DoE 获得的模型一样精确，但资源消耗减少了 85%。
引用
@article{arxiv.2310.08198,
title = {Beyond Traditional DoE: Deep Reinforcement Learning for Optimizing Experiments in Model Identification of Battery Dynamics},
author = {Gokhan Budan and Francesca Damiani and Can Kurtulus and N. Kemal Ure},
journal= {arXiv preprint arXiv:2310.08198},
year = {2023}
}