Gestión segura de la batería de EVs utilizando aprendizaje por refuerzo
Las baterías de iones de litio son el dispositivo de alimentación estándar de los vehículos eléctricos (EVs) como alternativa de elección para reducir las emisiones de CO2. Pero antes de convertirse en una tecnología fiable, las baterías de iones de litio deben hacer frente a dos grandes retos: las...
Main Authors: | , , , |
---|---|
Format: | Article |
Language: | English |
Published: |
Universidad Autónoma del Estado de Morelos
2024-02-01
|
Series: | Programación Matemática y Software |
Subjects: | |
Online Access: | https://progmat.uaem.mx/progmat/index.php/progmat/article/view/289 |
_version_ | 1797211750943162368 |
---|---|
author | Maximiliano Trimboli Nicolás Antonelli Luis Avila Mariano de Paula |
author_facet | Maximiliano Trimboli Nicolás Antonelli Luis Avila Mariano de Paula |
author_sort | Maximiliano Trimboli |
collection | DOAJ |
description |
Las baterías de iones de litio son el dispositivo de alimentación estándar de los vehículos eléctricos (EVs) como alternativa de elección para reducir las emisiones de CO2. Pero antes de convertirse en una tecnología fiable, las baterías de iones de litio deben hacer frente a dos grandes retos: las reacciones electroquímicas indeseables debidas a tasas de carga excesivas y el tiempo considerable que tarda un EV en cargarse. Por tanto, es necesario emplear perfiles de corriente equilibrados que eviten tanto los graves efectos de degradación de la batería como las molestias a los usuarios finales. En este trabajo, los autores proponen un enfoque de aprendizaje profundo por refuerzo de exploración segura (SDRL) para determinar los perfiles de carga óptimos en condiciones de funcionamiento variables. Una de las principales ventajas de las técnicas de RL es que pueden aprender de la interacción con el sistema simulado o real incorporando la no linealidad y la incertidumbre derivadas de las condiciones ambientales fluctuantes. Sin embargo, como las técnicas RL tienen que explorar estados indeseables antes de obtener una política óptima, no ofrecen garantías de seguridad. El enfoque propuesto pretende mantener cero violaciones de las restricciones a lo largo de todo el proceso de aprendizaje incorporando una capa de seguridad que corrige la acción si es probable que se viole una restricción. El método propuesto se prueba en el circuito equivalente de una batería de iones de litio considerando condiciones de variabilidad. Los primeros resultados muestran que SDRL es capaz de encontrar políticas de carga optimizadas y seguras teniendo en cuenta un compromiso entre la velocidad de carga y la vida útil de la batería.
|
first_indexed | 2024-03-07T14:15:45Z |
format | Article |
id | doaj.art-915f238238a24ee29ae8793830f7d011 |
institution | Directory Open Access Journal |
issn | 2007-3283 |
language | English |
last_indexed | 2024-04-24T10:31:28Z |
publishDate | 2024-02-01 |
publisher | Universidad Autónoma del Estado de Morelos |
record_format | Article |
series | Programación Matemática y Software |
spelling | doaj.art-915f238238a24ee29ae8793830f7d0112024-04-12T15:50:14ZengUniversidad Autónoma del Estado de MorelosProgramación Matemática y Software2007-32832024-02-0116110.30973/progmat/2024.16.1/4Gestión segura de la batería de EVs utilizando aprendizaje por refuerzoMaximiliano Trimboli0Nicolás Antonelli1Luis Avila2Mariano de Paula3CONICET-UNSL. Laboratorio de Sistemas Inteligentes. San Luis. ArgentinaCONICET-UNSL. Laboratorio de Sistemas Inteligentes. San Luis. ArgentinaCONICET-UNSL. Laboratorio de Sistemas Inteligentes. San Luis. ArgentinaUNICEN-CICpBA-CONICET, INTELYMEC. Centro de Investigaciones en Física e Ingeniería del Centro. Olavarría. Argentina Las baterías de iones de litio son el dispositivo de alimentación estándar de los vehículos eléctricos (EVs) como alternativa de elección para reducir las emisiones de CO2. Pero antes de convertirse en una tecnología fiable, las baterías de iones de litio deben hacer frente a dos grandes retos: las reacciones electroquímicas indeseables debidas a tasas de carga excesivas y el tiempo considerable que tarda un EV en cargarse. Por tanto, es necesario emplear perfiles de corriente equilibrados que eviten tanto los graves efectos de degradación de la batería como las molestias a los usuarios finales. En este trabajo, los autores proponen un enfoque de aprendizaje profundo por refuerzo de exploración segura (SDRL) para determinar los perfiles de carga óptimos en condiciones de funcionamiento variables. Una de las principales ventajas de las técnicas de RL es que pueden aprender de la interacción con el sistema simulado o real incorporando la no linealidad y la incertidumbre derivadas de las condiciones ambientales fluctuantes. Sin embargo, como las técnicas RL tienen que explorar estados indeseables antes de obtener una política óptima, no ofrecen garantías de seguridad. El enfoque propuesto pretende mantener cero violaciones de las restricciones a lo largo de todo el proceso de aprendizaje incorporando una capa de seguridad que corrige la acción si es probable que se viole una restricción. El método propuesto se prueba en el circuito equivalente de una batería de iones de litio considerando condiciones de variabilidad. Los primeros resultados muestran que SDRL es capaz de encontrar políticas de carga optimizadas y seguras teniendo en cuenta un compromiso entre la velocidad de carga y la vida útil de la batería. https://progmat.uaem.mx/progmat/index.php/progmat/article/view/289Safe-RLSOCenvejecimiento de la bateriavariabilidad |
spellingShingle | Maximiliano Trimboli Nicolás Antonelli Luis Avila Mariano de Paula Gestión segura de la batería de EVs utilizando aprendizaje por refuerzo Programación Matemática y Software Safe-RL SOC envejecimiento de la bateria variabilidad |
title | Gestión segura de la batería de EVs utilizando aprendizaje por refuerzo |
title_full | Gestión segura de la batería de EVs utilizando aprendizaje por refuerzo |
title_fullStr | Gestión segura de la batería de EVs utilizando aprendizaje por refuerzo |
title_full_unstemmed | Gestión segura de la batería de EVs utilizando aprendizaje por refuerzo |
title_short | Gestión segura de la batería de EVs utilizando aprendizaje por refuerzo |
title_sort | gestion segura de la bateria de evs utilizando aprendizaje por refuerzo |
topic | Safe-RL SOC envejecimiento de la bateria variabilidad |
url | https://progmat.uaem.mx/progmat/index.php/progmat/article/view/289 |
work_keys_str_mv | AT maximilianotrimboli gestionseguradelabateriadeevsutilizandoaprendizajeporrefuerzo AT nicolasantonelli gestionseguradelabateriadeevsutilizandoaprendizajeporrefuerzo AT luisavila gestionseguradelabateriadeevsutilizandoaprendizajeporrefuerzo AT marianodepaula gestionseguradelabateriadeevsutilizandoaprendizajeporrefuerzo |