基于深度贝叶斯优化与循环神经网络实现锂离子电池快速充电
系统与控制
2023-04-11 v1 系统与控制
摘要
为缓解里程焦虑并缩短电动汽车（EV）充电时间，快速充电已引起电池界对电动汽车的日益关注。然而，不当的充电策略会导致电池严重退化甚至危险事故。为在各种约束（尤其是安全限制）下优化快速充电策略，我们提出一种新颖的深度贝叶斯优化（BO）方法，其利用贝叶斯循环神经网络（BRNN）作为代理模型，鉴于其处理序列数据的能力。此外，开发了期望改进（EI）与上置信界（UCB）相结合的获取函数，以更好地平衡利用与探索。所提方法的有效性在 PETLION（一个基于多孔电极理论的电池模拟器）上得到验证。我们的方法还与使用高斯过程（GP）和非循环网络作为代理模型的最先进 BO 方法进行比较。结果验证了所提快速充电方法的优越性能，其主要源于：(i) 基于 BRNN 的代理模型比基于 GP 或非循环网络的模型更精确预测电池寿命；(ii) 组合获取函数在探索维持最长电池寿命的最优充电协议方面优于传统 EI 或 UCB 准则。
引用
@article{arxiv.2304.04195,
title = {Fast Charging of Lithium-Ion Batteries Using Deep Bayesian Optimization with Recurrent Neural Network},
author = {Benben Jiang and Yixing Wang and Zhenghua Ma and Qiugang Lu},
journal= {arXiv preprint arXiv:2304.04195},
year = {2023}
}