Integrated Optimal Fast Charging and Active Thermal Management of Lithium-Ion Batteries in Extreme Ambient Temperatures
本研究针对极端环境温度下的锂离子电池,提出集成最优快速充电与主动热管理的控制策略,构建热-NDC电池模型,分别设计状态反馈及带扩展卡尔曼滤波的输出反馈模型预测控制算法,实现充电速度与电池健康的平衡,经数值实验验证有效。
2024-10-07 cs.SY eess.SY math.OC
Fast Charging of Lithium-Ion Batteries Using Deep Bayesian Optimization with Recurrent Neural Network
针对电动汽车锂离子电池安全快速充电优化问题,提出基于贝叶斯循环神经网络(BRNN)代理模型和组合采集函数(EI+UCB)的深度贝叶斯优化方法,实现了更精确的寿命预测并有效探索出延长电池寿命的最优充电协议。
2023-04-09 cs.SY eess.SY
Accounting for the Effects of Probabilistic Uncertainty During Fast Charging of Lithium-ion Batteries
本文提出一种基于非侵入式多项式混沌展开和蒙特卡洛模拟的不确定性量化方法,用于分析环境温度及模型参数不确定性对锂离子电池恒流-恒压快速充电的影响,并通过调整约束概率有效制定兼顾安全与效率的快速充电协议。
2024-05-02 cs.SY eess.SY
Repair-before-veto control for safe lithium-ion fast charging under unknown ambient and cooling-fault conditions
McGill University(麦吉尔大学)
针对充电环境与冷却状态不确定下的安全快充问题,提出基于裕度感知的“先修复再否决”控制器(RACL-B),在线调整电流以最紧裕度为准,在九种工况下均安全完成充电,比最快固定电流快37.9%,并衍生出冷却故障检测方法CREST-B。
2026-06-29 cs.SY eess.SY
Forecast-based charging strategy to prolong the lifetime of lithium-ion batteries in standalone PV battery systems in Sub-Saharan Africa
针对撒哈拉以南非洲独立光伏电池系统,提出基于预测的充电策略,通过降低平均荷电状态约20%来延长锂离子电池寿命,且不引起停电。
2023-05-15 cs.SY eess.SY
A Pricing Mechanism for Balancing the Charging of Ride-Hailing Electric Vehicle Fleets
网约车服务和电动汽车都越来越受欢迎,网约车的充电管理很可能在不久的将来成为网约车公司运营的重要组成部分。出于这一动机,我们提出了一个博弈论模型的充电管理,在那里我们假设,这是车队运营商,希望尽量减少其运营成本,其中包括收费的价格。为了避免过度拥挤的充电站,中央政府将设计定价政策,以激励车辆分散在充电站之间,在这种情况下,几家叫车公司会争夺资源。我们表明,这是可能的,构建定价政策,使纳什均衡公司之间遵循中央政府的目标值时,所需的负荷是可行的。此外,我们提供了一个分散的算法计算的平衡,并总结了一个数值例子说明的结果。
2022-03-17 cs.SY eess.SY
Dynamic Load Balancing for EV Charging Stations Using Reinforcement Learning and Demand Prediction
本文提出结合预训练图神经网络需求预测与强化学习的电动汽车充电网络动态定价和负载均衡框架,利用深圳EVCDP数据集验证其能显著改善负载均衡并减少过载。
2025-03-09 cs.SY eess.SY
Active Cell Balancing for Extended Operational Time of Lithium-Ion Battery Systems in Energy Storage Applications
本文提出一种基于分数阶模型和粒子群-遗传算法的优化驱动主动均衡方法,在独立与差分两种拓扑下延长锂离子电池储能系统运行时间3.2%。
2024-05-02 cs.SY eess.SY
An Algorithmic Safety VEST For Li-ion Batteries During Fast Charging
锂离子电池的快速充电对于提高消费者的需求至关重要,从而加速电动汽车的采用。缩短充电时间的一个主要障碍是电池在较高充电速率下的加速老化,这可能是由锂电镀、由于升高的温度而增加的固体电解质界面生长以及由于机械应力而导致的颗粒破裂所驱动的。锂电镀取决于负极的过电位,机械应力取决于浓度梯度,两者都不能直接测量。为此,已经开发了基于电池的基于物理的模型和最优控制算法的技术。虽然这些方法在减少退化方面显示出希望,但它们的优化算法的复杂性可能限制它们的实现。在本文中,我们提出了一种方法的基础上,恒流恒压(CC-CV)充电计划,称为CC-CV $ησ$ T(VEST)。新的方法更容易实现,可以与任何模型一起使用,对与退化相关的变量施加不同程度的约束,例如电镀电位和机械应力。我们证明了新的CC-CV $ησ$ T充电使用的电化学模型,包括机械和热效应。此外,我们讨论了如何不确定性可以考虑安全裕度的电镀和应力约束。
2021-08-17 cs.SY eess.SY
Health-Aware Fast Charging Using Homogenized Model with Heterogeneous Internal State Reconstruction
TNO(荷兰应用组织);Stanford University(斯坦福大学);Politecnico di Torino(都灵理工大学);Eindhoven University of Technology(埃因霍温理工大学)
本文提出一种基于均质模型与PID控制器的无沉积快速充电策略,通过重建三维电化学变量分布,非侵入性估计异质阴极电位,实现安全、降解感知和高效锂离子电池快速充电。
2026-05-15 cs.SY eess.SY
Dynamic Electric Vehicle Charging Pricing for Load Balancing in Power Distribution Networks based on Collaborative DDPG Agents
本文提出基于深度强化学习的动态电动汽车充电定价策略,通过预测配电网负荷并比较DDPG、SAC、PPO算法,同时实现削峰填谷与邻近配电网间负载均衡,提升电网整体利用率。
2025-11-09 cs.SY eess.SY
Koopman-Based Model Predictive Control for Simultaneous State of Charge and Temperature Balancing of Lithium-Ion Cells
The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出基于Koopman算子的模型预测控制框架,实现锂离子电池串联单体荷电状态与温度同步均衡,通过凸二次规划高效调节误差,性能媲美非线性模型预测控制,计算时间大幅降低。
2026-09-09 cs.SY eess.SY
Hierarchical Pricing Game for Balancing the Charging of Ride-Hailing Electric Fleets
本文提出一种分层定价博弈控制机制,通过上层Reverse Stackelberg博弈和下层Stackelberg博弈协调外部主体、网约车公司与司机利益,实现多电动车队充电平衡,并用深圳真实出租车数据验证其有效性。
2022-10-16 cs.SY eess.SY
Constrained optimal control of monotone systems with applications to battery fast-charging
本文研究锂离子电池快速充电问题,利用单调控制系统理论推导出约束最优控制下快速充电协议的必要性条件。
2023-10-30 cs.SY eess.SY math.OC
Balancing Cost and Dissatisfaction in Online EV Charging under Real-time Pricing
针对实时电价下用户在线安排EV充电负荷以最小化成本并兼顾不满的问题,提出两种具有最优竞争比的确定性在线算法,并基于真实数据验证了其显著性能提升。
2019-01-15 cs.SY eess.SY
BattX: An Equivalent Circuit Model for Lithium-Ion Batteries Over Broad Current Ranges
先进的电池管理对于锂离子电池系统就像大脑对于人体一样。它的性能取决于使用既快速又准确的电池模型。然而,主流的等效电路模型和电化学模型还没有很好地满足这一需求,由于预测精度或计算复杂性的斗争。随着一些新兴的电池应用在宽电流范围内运行,该问题已经变得紧迫,例如,电动垂直起降飞机,很难找到可用的模型从文献中。为了解决这个问题,我们在这项研究中开发了一个创新的模型。该模型被称为BattX,是一种等效电路模型,但与具有电解质和热动力学的单粒子模型进行了比较,从而结合了它们各自的优点,从而具有计算效率,准确性和物理可解释性。模型设计的重点是利用多个电路来近似充电/放电中的主要电化学和物理过程。鉴于该模型,我们开发了一种多管齐下的方法来设计实验,并从实验数据中确定其参数。实验验证证明,BattX模型能够准确预测跨低到高C速率的充电/放电电压。
2022-11-11 cs.SY eess.SY
Robust Electric Vehicle Balancing of Autonomous Mobility-On-Demand System: A Multi-Agent Reinforcement Learning Approach
University of Connecticut(康涅狄格大学);University of Illinois, Chicago(伊利诺伊大学芝加哥分校)
本文针对电动自动驾驶车辆在自主按需出行系统中的供需不确定性问题,提出基于多智能体强化学习的REBAMA算法,通过对抗智能体建模不确定性并训练鲁棒平衡策略,显著提升了奖励、充电利用公平性与供需公平性。
2023-07-30 cs.AI cs.LG cs.MA
Intelligent Degradation Monitoring in Lithium-ion Batteries via Discharge Incremental Capacity Feature Estimation
Amirkabir University of Technology(阿米尔卡比尔理工大学)
针对传统IC分析需低电流放电的局限,本文提出基于神经网络的框架,从充电信号直接预测放电IC特征,在53个电池数据集上验证,LSTM模型平衡精度与效率,支持实时BMS集成,实现智能电池退化监测。
2026-09-22 cs.LG cs.SY eess.SP
Data-Driven Distributionally Robust Electric Vehicle Balancing for Autonomous Mobility-on-Demand Systems under Demand and Supply Uncertainties
University of Connecticut(康涅狄格大学);University of Illinois, Chicago(伊利诺伊大学芝加哥分校);Florida State University(佛罗里达州立大学);Rutgers University(罗格斯大学);University of Virginia(弗吉尼亚大学)
电动汽车(EV)由于其经济和社会效益而迅速被采用。自主移动按需(AMoD)系统也顺应了这一趋势。然而,EV的长充电时间和高充电频率对有效管理EV AMoD系统提出了挑战。电动汽车主动式驱动系统复杂的动态充电和移动过程,使得在设计车辆平衡算法时,需求和供应的不确定性很大。在这项工作中,我们设计了一个数据驱动的分布式鲁棒优化(DRO)方法来平衡电动汽车的移动服务和充电过程。优化目标是在乘客出行需求不确定和电动汽车供应不确定的情况下最小化最坏情况下的期望成本。然后,我们提出了一种新的分布式不确定性集的构造算法,保证所产生的参数包含在所需的置信区域与给定的概率。为了解决所提出的DRO AMoD EV平衡问题,我们推导出一个等价的计算上易处理的凸优化问题。基于出租车系统的真实电动汽车数据,我们表明,与不考虑不确定性的解决方案相比,我们的解决方案的平均总平衡成本降低了14.49%,平均移动公平性和收费公平性分别提高了15.78%和34.51%。
2022-11-24 cs.RO cs.SY eess.SY
Safety-Driven Battery Charging: A Fisher Information-guided Adaptive MPC with Real-time Parameter Identification
针对电池模型参数可辨识性差影响安全充电的问题,提出融合 FI 理论与 MPC 的自适应控制方法,利用 FI 指标引导实时参数估计,仿真验证其可缓解辨识难题。
2024-06-12 cs.SY eess.SY
Degradation-Aware Fast-Charging of Li-Ion Batteries Using Joint Electrical and Thermal Model Predictive Control
TNO Mobility and Built Environment(荷兰应用科学研究组织交通与环境部);Eindhoven University of Technology, Department of Electrical Engineering(埃因霍温理工大学电气工程系);National University of Science and Technology Politehnica Bucharest, Faculty of Electronics, Telecommunications and Information Technology(布加勒斯特国立理工大学电子、电信与信息技术学院)
提出一种协调充电电流与主动热管理的控制框架,采用联合电热模型预测控制,在满足电化学退化与热安全约束下最小化充电时间,相比制造商推荐充电时间减少42.2%。
2026-05-24 cs.SY eess.SY
Optimal Fully Electric Vehicle load balancing with an ADMM algorithm in Smartgrids
本文提出了一种系统架构和控制方法,用于充电站的纯电动车负载平衡,通过两级控制实现DER发电和负载优化,采用Walrasian市场均衡和分布式算法提高经济性。
2013-05-05 cs.DC cs.SY eess.SY
Balancing SoC in Battery Cells using Safe Action Perturbations
Indian Institute of Technology, Ropar(印度罗帕尔理工学院)
本文提出在深度强化学习智能体上叠加安全层,通过扰动充电动作避免危险状态,并学习可跨电池配置泛化的鲁棒充电策略,从而减少安全违规。
2025-03-11 cs.AI cs.LG cs.SY
A Review of Lithium-Ion Battery Models in Techno-economic Analyses of Power Systems
锂离子电池储能系统(BESS)在全球范围内以惊人的速度渗透到电力系统环境中。这主要是因为它被认为是电网脱碳,数字化和民主化的主要工具之一。电池项目的经济可行性和技术可靠性需要适当的评估,因为资本支出高,充电/放电性能恶化,监管政策不确定。大多数电力系统经济性研究采用简单的功率-能量表示,并结合退化的经验描述来模拟锂离子电池。这种建模方法可能会导致违反安全操作和误导经济效益的估计。最近,关于BESS的技术经济分析的出版物数量增加,其中更详细地介绍了锂离子电池的性能。本文的目的是探讨这些出版物的网格规模BESS应用程序的重点,并讨论使用更复杂的建模方法的影响。首先,概述了三种最流行的电池模型,然后回顾了这些模型的应用。探讨了在电力系统的技术经济研究中采用详细的电池模型的未来研究方向。
2021-06-16 cs.SY eess.SY
Machine Learning Detection of Lithium Plating in Lithium-ion Cells: A Gaussian Process Approach
Department of Mechanical and Aerospace Engineering, University of California, Davis(加州大学戴维斯分校机械与航空航天工程系);Department of Energy, Environmental & Chemical Engineering and the Institute of Materials Science and Engineering, Washington University in St. Louis(华盛顿大学圣路易斯分校能源、环境与化学工程系及材料科学与工程学院)
本文提出基于高斯过程的锂沉积检测方法,通过直接建模充放电电压关系Q(V)作为随机过程,实现鲁棒检测,具有噪声感知推理、闭式导数和可扩展性等优势。
2026-03-14 cs.LG cs.SY eess.SY
Optimal Charging of an Electric Vehicle Battery Pack: A Real-Time Sensitivity-Based MPC approach
锂离子电池组通常由数百个串联和并联的电池组成。这些复杂设备的正常运行需要合适的电池管理系统(BMS)。先进的BMS依赖于数学模型来确保安全性和高性能。虽然已经提出了许多方法来管理单个电池,但对多个电池的控制研究较少,并且通常依赖于简化模型,例如等效电路模型。本文讨论了管理的电池组中,每个细胞是明确建模为单粒子模型与电解质和热动力学。提出了一种非线性模型预测控制(MPC),用于在考虑每个电池的电压和温度限制的情况下对电池组进行最优充电。由于非线性MPC的计算成本显着增长的基础模型的复杂性,提出了一种基于灵敏度的MPC(sMPC),其中所采用的模型是通过线性化的动态沿标称轨迹随时间更新。所得到的sMPC优化是二次规划,即使对于大型电池组(例如,具有156个电池的全电动摩托车)也可以实时求解,同时实现与非线性MPC相同的性能。
2019-09-26 cs.SY eess.SY
Koopman Mode-Based Detection of Internal Short Circuits in Lithium-ion Battery Pack
本文提出一种无模型的Koopman模态算法,利用模块级电压测量检测锂离子电池组内部短路,无需电池模型或历史数据,仿真验证了其敏感性和鲁棒性。
2024-12-17 cs.SY eess.SY
Enabling Intelligent Bidirectional Charging: A Real-World Communication Interface Between Electric Vehicles, Charging Infrastructure, and a Control Optimizer
TU Dresden(德累斯顿工业大学);Deutsche Telekom Chair of Communication Networks, TU Dresden(德累斯顿工业大学德意志电信通信网络讲席);Centre for Tactile Internet with Human-in-the-Loop (CeTI), TU Dresden(德累斯顿工业大学人机互动触觉互联网中心)
本文提出了一种基于现实世界实现和现场验证的用户感知双向电动汽车充电系统,通过整合实时车辆和用户数据与集中优化平台,实现动态充放电决策,提升电网灵活性和可持续交通。
2026-05-15 cs.SY eess.SY
Cell Balancing for the Transportation Sector: Techniques, Challenges, and Future Research Directions
本文综述交通领域电池均衡技术,比较被动与主动方法,分析应用与挑战,指出未来研究方向。
2024-04-22 cs.SY eess.SY
Smart Routing of Electric Vehicles for Load Balancing in Smart Grids
WINLAB, Department of ECE, Rutgers University(罗格斯大学)
本文提出了一种新的博弈论框架,用于智能电网中电动汽车的智能路由,旨在平衡电网电力负载,同时考虑交通拥堵和充电站等待时间。研究还扩展到捕捉诱导地面负载的随机性质以及电动汽车所有者的行为特性。
2019-12-28 cs.GT cs.MA cs.SY
Koopman Operator-based Detection-Isolation of Cyberattack: A Case Study on Electric Vehicle Charging
针对信息物理系统面临的网络攻击威胁,提出基于Koopman算子的无模型攻击检测-隔离方案,经电动汽车充电仿真验证可有效检测隔离驱动与传感器攻击。
2024-06-24 cs.SY eess.SY math.OC
Global Sensitivity Methods for Design of Experiments in Lithium-ion Battery Context
电池管理系统可以依赖于数学模型来提供比标准充电协议更高的性能。电化学模型使我们能够捕捉锂离子电池内部发生的现象,因此可能是最好的模型选择。然而,为了具有实用价值,它们需要可靠的模型参数。不确定性量化和最佳实验设计概念是精确识别系统和估计参数的重要工具。不确定性量化中的近似误差导致次优实验设计,从而导致信息量较少的数据和较高的参数不可靠性。在这项工作中,我们提出了一个高效的实验设计方法的基础上的全局参数灵敏度。这个新的概念被应用到单粒子模型与电解质和热动力学(SPMeT),一个众所周知的电化学模型的锂离子电池。所提出的方法避免了输出参数线性化的简化假设(即,局部参数灵敏度),用于传统的Fisher信息矩阵为基础的实验设计策略。因此,优化的电流输入曲线导致更高信息含量的实验数据,进而导致更精确的参数估计。
2020-05-09 cs.CE cs.SY eess.SY
A Study on the Controllability of Lithium-Ion Batteries
Texas Tech University(德克萨斯理工大学)
本文通过非线性可控性分析,探讨了锂离子电池的可控性及控制所需努力,揭示了电池动态数学条件对控制需求的影响,并分析了不同参数对电池可控性的影响。
2026-04-13 cs.SY eess.SY
A Digital Twin Framework for Decision-Support and Optimization of EV Charging Infrastructure in Localized Urban Systems
VinUniversity(Vin大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出一种整合基于代理的决策支持与嵌入式优化的数字孪生框架,用于动态模拟电动车充电行为、基础设施布局及政策响应,通过大学校园案例分析,展示了动态通知和优化策略在提升用户满意度和能源管理中的作用。
2026-04-17 cs.CY cs.MA cs.SY
State of health prediction of lithium-ion batteries for driving conditions based on full parameter domain sparrow search algorithm and dual-module bidirectional gated recurrent unit
针对电动汽车锂离子电池健康状态预测,提出融合全参数域麻雀搜索算法与双模块双向门控循环单元的模型,基于牛津数据集和真实行驶数据实现高精度、强鲁棒性的SOH预测。
2025-05-23 cs.SY eess.SY
Towards Accurate and Efficient Sorting of Retired Lithium-ion Batteries: A Data Driven Based Electrode Aging Assessment Approach
提出基于数据的电极老化评估方法,通过OCV特征点和CNN快速估算三个电极老化参数,利用自适应亲和传播聚类实现退役电池高效准确分选。
2024-04-19 cs.SY eess.SY
Domain knowledge-guided machine learning framework for state of health estimation in Lithium-ion batteries
Stanford University(斯坦福大学);Politecnico di Torino(都灵理工大学)
提出五个可在线提取的电池健康指标并开发机器学习方法,用于估计电动汽车锂离子电池健康状态,在部分数据缺失下实现了1.5%至2.5%的低误差容量估计。
2024-09-22 cs.LG cs.SY eess.SY
Optimal Energy Dispatch of Grid-Connected Electric Vehicle Considering Lithium Battery Electrochemical Model
本文针对高渗透率并网电动汽车的本地能源系统调度问题,提出基于电化学模型的递归电池约束、矩阵状态更新方法及多层换电站二元聚合模型,以兼顾调度效率与电池退化防护。
2024-11-22 cs.SY eess.SY
Computationally efficient joint coordination of multiple electric vehicle charging points using reinforcement learning
Ghent University(根特大学);imec(比利时微电子研究中心);Bluwave-ai(Bluwave-ai公司)
当今电网面临的一个主要挑战是管理电动汽车(EV)充电带来的不断增长的负载。需求响应(DR)解决方案旨在利用其中的灵活性,即,及时转移EV充电的能力,从而避免过度的峰值或实现更好的平衡。而大多数现有的研究工作要么集中在单个EV充电器的控制策略上,要么使用多步方法(例如,第一高级集合控制决策步骤,随后是单独的EV控制决策),我们提出了一种单步解决方案,该解决方案一次联合协调多个充电点。在本文中,我们使用强化学习(RL)进一步完善了最初的建议,特别是解决了限制其在实践中部署的计算挑战。更确切地说,我们设计了一个新的马尔可夫决策过程(MDP)制定的EV充电协调过程,表现出只有线性的空间和时间复杂度(而不是早期的二次空间复杂度)。因此,我们改进了早期的最先进技术,在我们的案例研究中使用真实世界的EV充电会话数据证明了训练时间减少了30%。然而,我们并没有在满足DR目标方面牺牲由此产生的性能:与常规策略(即在到达时为EV完全充电)相比,我们的新RL解决方案仍然将充电需求协调性能提高了40-50%,与启发式策略(即随时间均匀分布单个EV充电)相比提高了20-30%。
2022-03-26 cs.AI cs.LG cs.SY
Model-Agnostic Energy Throughput Control for Range and Lifetime Extension of Electric Vehicles via Cell-Level Inverters
University of California, Berkeley(加州大学伯克利分校);Chalmers University of Technology(查尔姆斯理工大学);BMW Group Technology Office USA(宝马集团美国技术办公室)
本文提出一种模型无关的能量吞吐控制策略,通过细胞级逆变器实现对单个电池单元的独立控制,提升电动汽车续航和电池寿命。
2026-04-08 cs.SY eess.SY
Fast State-of-Health Estimation Method for Lithium-ion Battery using Sparse Identification of Nonlinear Dynamics
Korea Advanced Institute of Science and Technology(韩国科学技术院);Chungbuk National University(忠北国立大学)
本文提出一种基于SINDy与相关性分析的锂离子电池快速SOH估计方法,以低数据量构建可解释的数据驱动退化模型,并通过与多种机器学习算法比较验证其估计精度和计算效率。
2024-10-22 cs.RO cs.SY eess.SY
Safe Learning-Based Optimization of Model Predictive Control: Application to Battery Fast-Charging
Technical University of Darmstadt(达姆施塔特工业大学);Massachusetts Institute of Technology(麻省理工学院)
针对模型预测控制存在模型不确定性与代价函数设计难的问题,提出结合安全贝叶斯优化的方法,通过径向基函数网络参数化代价函数、多回合学习调优控制器,在电池快充仿真中验证了其在失配场景下保安全且缩短充电时间的效果。
2024-10-07 cs.LG cs.SY eess.SY
Learning Model Predictive Control Parameters via Bayesian Optimization for Battery Fast Charging
Technical University of Darmstadt(达姆施塔特工业大学);Massachusetts Institute of Technology(麻省理工学院)
针对模型预测控制参数调整中因模型与实际对象不匹配导致的性能与安全问题,提出基于贝叶斯优化的分层控制框架,高效学习模型参数与约束回退项,在确保电池安全运行的同时最大化快速充电的闭环性能。
2024-04-09 cs.LG cs.SY eess.SY
Fleet-Level Battery-Health-Aware Scheduling for Autonomous Mobile Robots
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出一种多机器人调度方法,考虑电池退化成本,优化任务分配、服务顺序、充电决策和充电模式,平衡车队退化。通过线性化非线性退化项,结合实例数据改进松弛,采用分层启发式方法提升可扩展性。
2026-03-24 cs.RO cs.SY eess.SY
Reinforcement Learning for Robust Ageing-Aware Control of Li-ion Battery Systems with Data-Driven Formal Verification
Delft University of Technology(代尔夫特理工大学);Delft Center for Systems and Control(代尔夫特系统与控制中心);Radiation Science and Technology(辐射科学与技术)
针对锂离子电池充电速度与老化权衡问题,提出结合强化学习与数据驱动形式化验证的混合控制策略,实现鲁棒老化感知控制并提供概率性性能保证。
2025-09-06 cs.AI cs.SY eess.SY
Differential voltage analysis for battery manufacturing process control
基于电压的电池指标在电池制造诊断中无处不在且必不可少。它们能够在生产线的末端对电池进行电化学“指纹识别”,并且自然是可扩展的,因为电压数据已经作为电池制造的最后一步形成过程的一部分被收集。然而,尽管它们的流行,基于电压的指标的解释往往是模糊的,需要专家的判断。在这项工作中,我们提出了一种方法,收集和分析全电池近平衡电压曲线的终端线制造过程控制。该方法建立在现有文献的差分电压分析(DVA或dV/dQ),通过扩展的方法形式主义,通过镜头的再现性,可解释性和自动化。我们的模型修订引入了几个与制造过程控制相关的新衍生指标,包括形成过程中消耗的锂和实际的正负比,这些指标补充了标准指标,如正极和负极容量。为了促进方法的再现性,我们重新制定的模型,以考虑“不可访问的锂问题”,量化模型与真实值的电极容量和化学计量之间的数值差异。最后,我们概述了关键的数据收集考虑因素,包括全电池和半电池数据集的C速率和充电方向,这可能会影响方法的重现性。这项工作突出了利用基于电压的电化学指标进行在线电池制造过程控制的机会。
2023-03-13 cs.SY eess.SY
Optimal Operating Strategy for PV-BESS Households: Balancing Self-Consumption and Self-Sufficiency
针对家庭光伏-电池储能系统,本文论证自耗与自给的线性关系,提出基于二者比率的四类最优运行策略,并利用MPC和RL调度模型确定最优容量,以最大化本地光伏利用。
2025-06-10 cs.ET cs.SY eess.SY