基于深度强化学习的锂离子电池电化学参数识别实验设计的最优解
系统与控制
2025-06-25 v1 系统与控制
摘要
电化学电池模型的参数估计对于监控和评估锂离子电池（LiBs）的性能至关重要。本文提出了一种新方法，将深度强化学习（DRL）与最优实验设计（OED）框架相结合，用于识别锂离子电池单元模型的关键电化学参数。该方法利用双延迟深度确定性策略梯度（TD3）算法优化输入激励，从而增加系统对电化学参数的灵敏度。本文评估了该DRL方法与非线性模型预测控制（NMPC）方法和常规测试方法的性能。结果表明，DRL方法在信息内容方面优于NMPC设计和常规测试实践，表现为更高的Fisher信息（FI）值和更低的参数估计误差。此外，DRL方法还能显著减少实验时间和计算资源。
引用
@article{arxiv.2506.19146,
title = {Optimal Design of Experiment for Electrochemical Parameter Identification of Li-ion Battery via Deep Reinforcement Learning},
author = {Mehmet Fatih Ozkan and Samuel Filgueira da Silva and Faissal El Idrissi and Prashanth Ramesh and Marcello Canova},
journal= {arXiv preprint arXiv:2506.19146},
year = {2025}
}