Мы можем применить идеи из Изучения точного физического симулятора с помощью состязательного обучения с подкреплением для моделирования ячеек с помощью моделей электрических ячеек, таких как Модель эквивалентной схемы Thevenin:
- Сделайте все параметры модели (например, сопротивления и емкости в модели эквивалентной схемы (ECM)) обученными функциями состояния (степень заряда, температура и т. д.). Этих зависимостей может не быть в физической реальности: например, емкостные параметры в ЭХМ отражают инерцию ячейки и совершенно не зависят от СнК, но предоставляют возможность компенсировать грубость базовой модели: емкости в ЭХМ не удается адекватно зафиксировать инерцию ячейки во всем диапазоне SoC, если предполагается, что параметры постоянны.
- Изучите функции
parameterX(state)(например,capacitance1(SoC, T)), используя состязательную сеть, которая отличает «траектории» состояния ячейки, смоделированные с помощью модели, от реальных траекторий.
Оценщики состояния заряда (например, на основе фильтра Калмана или адаптивного расширенного фильтра Н-бесконечности) могут использовать результирующую модель вместо исходной модели эквивалентной схемы Тевенина.
В статье, указанной выше (касающейся улучшения моделирования среды робота), функции изученного параметра (состояния) в модели сами по себе являются сетями (по крайней мере, они изображены как сети с прямой связью на иллюстрациях), в настройках батареи Я предполагаю, что это могут быть даже не сети, а просто линейные комбинации, т.е. г. capacitance1 = C1_0 + a*SoC + b*T, где C1_0, a и b изучены, или многомерные полиномиальные функции второй степени, такие как capacitance1 = C1_0 + a*SoC + b*T + c*SoC^2 + d*T^2 + e*SoC*T. Таким образом, мы можем легко перенести полученную эквивалентную схемную модель таких компонентов в код C без каких-либо библиотек ML.
Наиболее сложной частью этого подхода является накопление достаточно разнообразных реальных траекторий состояний ячеек.
Чтобы сделать эту «настройку модели» минимально надежной, враждебная сеть должна использовать реальные траектории состояний ячеек, собранные в широком диапазоне температур от ячеек с разным состоянием здоровья.
Предупреждение: выходные данные функций параметров не должны интерпретироваться.
Эти значения параметров не должны не использоваться для одновременной оценки всех параметров ячейки для оценки риска отказа ячейки и в идеале не должны даже выходить из модели имитации ячейки (за исключением отладки), поэтому что ни у кого не возникнет соблазна интерпретировать их. В оригинальной статье показано, как эти функции параметров могут намеренно обыграть модель, чтобы сделать ее вывод более реалистичным:
В нашем предыдущем примере с матрасом обучаемый гибридный симулятор способен имитировать контактные силы от матраса. Поскольку изученные параметры контакта зависят от состояния, симулятор может модулировать контактные силы в зависимости от расстояния и скорости ног робота относительно матраса, имитируя эффект жесткости и демпфирования деформируемой поверхности.
Полученную модель эквивалентной схемы можно было использовать только в оценках параметров ячейки (таких как Стохастическая оценка параметров ячейки, основанная на модели электрической ячейки или Оценка параметров ячейки, основанная на оптимизации роя частиц) следующим образом: изученных функций параметров, мы фиксируем базовые значения параметров (C1_0 в приведенном выше примере) и оптимизируем только коэффициенты для компонентов, зависящих от состояния: a и b. Затем в результирующем симуляторе ячейки значения параметров базовой ячейки снова появляются в качестве параметров модели, как ванильная модель эквивалентной схемы Thevenin. Оценщики параметров ячейки могут использовать результирующую модель вместо исходной модели эквивалентной схемы.
Этот пост был первоначально размещен на Substack.
