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...

Full description

Bibliographic Details
Main Authors:	Maximiliano Trimboli, Nicolás Antonelli, Luis Avila, Mariano de Paula
Format:	Article
Language:	English
Published:	Universidad Autónoma del Estado de Morelos 2024-02-01
Series:	Programación Matemática y Software
Subjects:	Safe-RL SOC envejecimiento de la bateria variabilidad
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

Gestión segura de la batería de EVs utilizando aprendizaje por refuerzo

Similar Items