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
Electrifying Heavy-Duty Trucks: Battery-Swapping vs Fast Charging
University of California, Berkeley(加州大学伯克利分校);École Polytechnique(巴黎综合理工学院);TotalEnergies OneTech(道达尔能源OneTech)
研究比较了电池交换和快速充电系统在重型卡车中的效率,发现BSS在减少停机时间方面更优,但需更多电池,而FCS需更大电池应对长充电时间,BSS在减排和盈利上有潜力。
2025-05-18 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 Physics-Informed Reinforcement Learning Approach for Degradation-Aware Long-Term Charging Optimization in Batteries
General Motors Research & Development(通用汽车研发部);The Pennsylvania State University(宾夕法尼亚州立大学)
针对电池老化问题,提出一种结合PyBamm和PPO的物理信息强化学习框架,通过估计活性材料损失动态调整CCCV充电电流,显著提升了长期充电优化的健康感知能力。
2025-10-13 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
Temperature-Controlled Smart Charging for Electric Vehicles in Cold Climates
本文提出温控智能充电技术,通过分析电池热惯性和动态充电模型优化加热与充电协调,并设计加速算法,实现太阳能充电站成本降低12.5%--18.4%。
2025-01-02 cs.SY eess.SY
Recharging Probably Keeps Batteries Alive
Saarland University(萨尔兰州立大学)
本文提出一个具有容量限制的动能电池模型,用于评估电池耗尽的风险,通过随机充放电场景分析纳米卫星任务的功率可靠性。
2015-02-25 cs.SY eess.SY
Synthesis of Spatial Charging/Discharging Patterns of In-Vehicle Batteries for Provision of Ancillary Service and Mitigation of Voltage Impact
Osaka Prefecture University(大阪府立大学);Tokyo City University(东京城市大学)
本文提出了一种算法,用于合成车载电池的空间充电/放电模式,以在电力分配电网中提供辅助服务。该算法基于最近引入的配电电压ODE模型,通过部分线性化推导出单条直线馈线的ODE模型解析解,从而提供关于空间电动汽车充电/放电对配电电压影响的物理见解。然后,基于解析解,提出了一种确定单馈线电网中车载电池充电/放电功率(有功和无功)值的算法,以通过电动汽车提供辅助服务需求(例如,向配电系统运营商提供的频率控制储备信号),并减少电网中配电电压偏离额定值的程度。
2018-11-19 cs.SY eess.SY math.OC
Accurate Online Full Charge Capacity Modeling of Smartphone Batteries
University of Helsinki(赫尔辛基大学);Aalto University(阿尔托大学);Seoul National University(首尔国立大学)
本文研究了智能手机电池在充电过程中的行为,提出了一种无需暴露低层系统细节或引入新硬件的方法,通过协作估算技术利用众包数据准确估计全充电容量,发现55%的设备及330/357种型号中至少有一台设备失去部分全充电容量。
2016-06-05 cs.SY eess.SY
Real-Time Optimal Lithium-Ion Battery Charging Based on Explicit Model Predictive Control
锂离子电池在各个行业的快速增长凸显了最佳充电控制的紧迫问题,因为充电对电池的健康,安全和寿命起着至关重要的作用。文献越来越多地采用模型预测控制(MPC)来解决这个问题,利用其在约束条件下执行优化的能力。然而,计算复杂的在线约束优化固有的MPC往往阻碍实时实现。因此,本文提出了开发一个框架,用于实时收费控制的基础上显式MPC(eMPC),利用其优势,在表征一个显式的解决方案的MPC问题,使实时收费控制。研究首先制定MPC充电的非线性等效电路模型的基础上。然后,对原始模型进行多段线性化,并将eMPC设计应用于所获得的线性模型,得到充电控制算法。该算法通过预先计算充电问题的显式解并将充电规律表示为分段仿射函数,将约束优化转移到离线状态。这不仅大大降低了控制运行中的在线计算成本,还降低了编码难度。大量的数值仿真和实验结果验证了所提出的eMPC充电控制框架和算法的有效性。研究结果可以潜在地满足在嵌入式硬件上运行的实时电池管理的需求。
2020-04-29 cs.SY eess.SY
Adaptive Safe Reinforcement Learning-Enabled Optimization of Battery Fast-Charging Protocols
针对强化学习优化电池快充时可能违反安全约束的问题,提出含静态与动态GP安全区域及动作投影的自适应安全RL框架,实现变工况下快速充电并满足约束。
2024-06-18 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
Deep Reinforcement Learning-Based Optimization of Second-Life Battery Utilization in Electric Vehicles Charging Stations
University of Michigan – Dearborn(密歇根大学迪尔伯恩分校);Laval University(拉瓦尔大学)
本文针对含二次利用电池和储能系统的电动汽车充电站运行优化问题,提出基于深度强化学习软演员-评论家(SAC)的规划框架,利用全年数据离线训练并在不确定性下实现实时优化。
2025-02-05 cs.LG 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
Data-driven charging strategies for grid-beneficial, customer-oriented and battery-preserving electric mobility
电动汽车(EV)的普及和可再生能源使能源供应,车辆用户和移动部门之间产生协同效应。然而,汽车制造商也出现了新的问题:在EV电池的充电和放电期间,发生与整个EV的价值贬值相关的劣化(电池老化)。由于电动汽车用户的满意度取决于可靠和价值稳定的产品,汽车制造商通过考虑个人客户需求和电池老化,为简化和可持续的电动汽车使用提供充电助手。量化电池老化的Hierarchy模型由于复杂的执行而具有有限的实用性。数据驱动的方法为SOH估计提供了可行的替代方案。然而,现有的方法几乎不使用与用户相关的数据。通过线性和神经网络回归模型,我们首先估计能源消耗的驾驶考虑个人驾驶风格和环境条件。在接下来的工作中,在没有退化的电池的数据上训练的消耗模型可以用于估计具有老化电池的电动汽车的能量消耗。估计和实际消耗之间的差异表明电池老化是由内部损耗增加引起的。然后,我们的目标是评估充电策略对电池退化的影响。
2019-10-14 cs.OH cs.SY eess.SP
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
From Prompt to Protocol: Fast Charging Batteries with Large Language Models
Dyson School of Design Engineering, Imperial College London(帝国理工学院伦敦设计工程学院);University of Warwick(沃里克大学);Acceleration Consortium, University of Toronto(多伦多大学加速联盟)
利用大语言模型设计快速充电电池协议,通过Prompt-to-Optimizer和Prompt-to-Protocol方法提升充电效率和电池健康状态
2026-01-14 cs.AI cs.LG cs.SY
Behaviour-neutral Smart Charging of Plugin Electric Vehicles: Reinforcement learning approach
大功率电动汽车(EV)充电会由于高峰需求充电而显著增加充电成本。本文提出了一种新的充电算法,该算法利用通常长的插件会话为国内充电器,并降低了整体充电功率的升压充电的EV短时间内,其次是低功率充电的插件会话的其余部分。通过对EV过去的充电会话进行训练,使用强化学习来获得升压和低功率充电阶段的最佳参数。与一些先前的工作相比,所提出的算法不试图预测插件会话持续时间,如分析中所示,由于人类行为的性质,在实践中很难准确预测插件会话持续时间。相反,收费参数被直接控制,并且随着时间的推移透明地适应用户的收费行为。对来自22,731个国内充电站的310万个充电会话的英国数据集进行的性能评估表明,所提出的算法可以减少31%的总峰值。实验还证明了历史大小对学习行为的影响,并通过将该算法应用于特定的充电点的案例研究得出结论。
2022-06-23 cs.SY eess.SY
Probabilistic Charging Power Forecast of EVCS: Reinforcement Learning Assisted Deep Learning Approach
随着大规模交通运输的发展,电动汽车(EV)和电动汽车充电站(EVCS)得到了广泛部署。然而,由于电动汽车的充电行为表现出很大的不确定性,电动汽车充电功率的预测是不平凡的。本文通过提出一种用于概率EVCS充电功率预测的强化学习辅助深度学习框架来解决这个问题,以捕获其不确定性。由于EVCS充电功率数据不是像电力负荷那样的标准时间序列数据,因此它们首先被转换为时间序列格式。在此基础上,使用最流行的深度学习模型之一,长短期记忆(LSTM)并进行训练,以获得EVCS充电功率的点预测。为了进一步捕捉预测的不确定性,采用马尔可夫决策过程(MDP)对LSTM单元状态的变化进行建模,并通过我们提出的基于强化学习的自适应探索邻近策略优化(AePPO)算法来解决。最后,分别对美国加州理工学院和喷气推进实验室的EVCS实际充电数据进行了实验。结果和对比分析验证了我们提出的框架的有效性和优越性。
2022-04-17 cs.SY eess.SY
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
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
A High-efficient Battery Charging System for Electric Vehicle
本文针对电动汽车锂离子电池充电效率问题,提出多阶段恒流充电及反射充电方法,在双有源桥DC-DC变换器系统上验证,相比传统CC-CV方法可显著缩短充电时间并降低电池损耗。
2023-08-09 cs.SY eess.SY
Advancements in Electric Vehicle Charging Optimization: A Survey of Reinforcement Learning Approaches
本文综述强化学习在电动汽车充放电协调中的框架、目标与架构,按集中式与分散式分类,并展望未来优化方向。
2025-02-17 cs.SY eess.SY
Price-Coordinated Mean Field Games with State Augmentation for Decentralized Battery Charging
Polytechnique Montreal(蒙特利尔理工学院);GERAD;Department of Electrical Engineering, Polytechnique Montreal(蒙特利尔理工学院电气工程系)
本文利用均场博弈解决大规模电池存储代理的去中心化协调充电问题,通过状态增强将充电功率作为状态变量,其变化率作为控制输入,推导出非线性耦合的前向后向微分方程,并证明了均衡的存在性和唯一性。
2026-08-11 cs.SY eess.SY math.OC
Reconfigurable Battery Systems for Enhanced Fast Charging in Electric Vehicles
本文提出一种可重构电池系统,通过动态调整电池单元排列优化充电性能,仿真表明串联更多电池可显著缩短电动汽车充电时间且保持安全性。
2025-07-15 cs.SY eess.SY
Optimal Placement of Public Electric Vehicle Charging Stations Using Deep Reinforcement Learning
University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Colorado, Boulder(科罗拉多大学博尔德分校)
在充电基础设施发展的地区放置充电站是电动汽车(EV)未来成功的关键组成部分。在纽约州奥尔巴尼县,电动汽车人口的预期增长需要额外的充电站,以保持整个充电基础设施的足够效率。强化学习(RL)的一种新应用能够在给定预测的充电需求和当前充电位置的情况下找到新充电站的最佳位置。影响充电需求预测的最重要因素包括相邻的交通密度、电动汽车注册以及与某些类型的公共建筑的接近程度。建议的RL框架可以改进并应用于世界各地的城市,以优化充电站布局。
2022-07-23 cs.LG cs.SY eess.SY
Remaining Useful Life Prediction for Batteries Utilizing an Explainable AI Approach with a Predictive Application for Decision-Making
Nepal Engineering College, Pokhara University(博卡拉大学尼泊尔工程学院);University of Delaware(特拉华大学);Delft University of Technology(代尔夫特理工大学);The Hague University of Applied Science(海牙应用科学大学);Institute of Engineering, Pulchowk Campus, Tribhuvan University(特里布文大学工程学院普尔乔克校区)
本研究提出两层集成学习(TLE)框架和CNN+MLP混合模型预测电池剩余使用寿命(RUL),结合SHAP提升可解释性,并开发Tkinter GUI实现实时预测,支持数据驱动的可持续电池管理决策。
2025-01-30 cs.AI cs.LG cs.SY
Federated Reinforcement Learning for Real-Time Electric Vehicle Charging and Discharging Control
ShanghaiTech University(上海科技大学);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Tsinghua University(清华大学)
随着移动储能技术的发展,电动汽车已成为智能电网的重要组成部分。当电动汽车参与需求响应计划时,通过充分利用实时定价信号,可以显著降低充电成本。然而,在动态环境中存在许多随机因素,这给设计最优充/放电控制策略带来了重大挑战。本文针对动态环境下不同的电动汽车用户,提出了一种最优的电动汽车充放电控制策略,以使电动汽车用户的利益最大化。我们首先将此问题表示为一个马尔可夫决策过程(MDP)。然后,我们考虑电动汽车用户在不同的环境中,不同的行为作为代理。此外,提出了一种基于水平联邦强化学习(HFRL)的方法,以适应不同的用户行为和动态环境。该方法可以学习最优的充电/放电控制策略,而无需共享用户的简档。仿真结果表明,所提出的实时电动汽车充放电控制策略可以在各种随机因素中表现良好。
2022-10-04 cs.LG cs.MA cs.SY
Transfer Deep Reinforcement Learning-based Large-scale V2G Continuous Charging Coordination with Renewable Energy Sources
Xi’an Jiaotong University(西安交通大学)
由于电动汽车(EV)的日益普及和EV电子技术的进步,车辆到电网(V2G)技术和大规模调度算法已经被开发出来,以实现高水平的可再生能源和电网稳定性。提出了一种基于深度强化学习(Deep Reinforcement Learning,DRL)的V2G模式下大规模电动汽车与可再生能源(Renewable Energy,RES)的连续充放电协调策略。DRL协调策略可以有效地优化电动汽车聚合器(EVA)的实时充电/放电功率与充电状态(SOC)的限制,EVA和单个EV。与不受控充电相比,负载方差降低了97.37 $\%$,充电成本降低了76.56 $\%$。DRL协调策略进一步展示了具有RES和大规模EVA的微电网的出色迁移学习能力,以及复杂的周调度。DRL协调策略在实际操作条件下为大规模V2G展示了灵活、自适应和可扩展的性能。
2022-10-13 cs.AI cs.LG cs.SY
Federated Reinforcement Learning for Electric Vehicles Charging Control on Distribution Networks
East China Normal University(华东师范大学);EPFL(洛桑联邦理工学院);ShanghaiTech University(上海科技大学);State Grid Beijing Electric Power Company(国网北京市电力公司);Tsinghua University(清华大学)
针对EV充电控制中配电网功率流约束与驾驶员隐私问题,提出融合OPF下RDN的MDP建模方法及联邦深度强化学习算法FedSAC,提升策略多样性、稳定性、收敛与泛化表现。
2023-08-17 cs.LG cs.MA cs.SY
Agent-Based Decentralized Energy Management of EV Charging Station with Solar Photovoltaics via Multi-Agent Reinforcement Learning
Department of Data Science and AI Faculty of IT(数据科学与人工智能系信息科技学院);Monash University(墨尔本大学);Monash Energy Institute(墨尔本能源研究所)
针对电动汽车充电站能源管理对不确定性鲁棒性不足的问题,提出基于多智能体强化学习的方法,将每个充电器视为智能体,结合LSTM和密集奖励机制,在真实数据集上验证了其能有效降低成本并提升充电满意度。
2025-05-24 cs.AI cs.SY eess.SY