应用深度强化学习的电池热管理系统控制策略

摘要

针对电动汽车电池热管理系统中传统控制方法温控精度不足及环境适应性差的难题，提出基于深度强化学习的智能控制体方法。基于电池热电耦合模型与制冷空调系统模型，应用强化学习中的双延迟深度确定性策略(TD3)算法进行控制策略训练，通过双重价值网络与延迟策略更新机制，克服传统强化学习中的过高估计问题。结果表明：在夏季充电的训练工况下，能够将电池包的平均温度控制在25℃左右；在冬季充电的训练工况下，能够将电池包的平均温度控制在20℃左右，电池模组之间的最大温差控制在1℃以内。同时，在控制动作上，智能体控制的压缩机转速的调整更为平缓，与比例-积分-微分控制、开关控制相比，智能体控制在夏季放电时最高节能了32.1%,充电时最高节能了15.8%,冬季放电时最高节能了17.0%,充电时最高节能了26.3%。此外，在环境条件变化时，智能体能够及时调整控制动作，将电池包的温度控制在目标温度附近。该研究利用TD3强化学习算法能够在多变的环境条件下平稳、精准地控制电池热管理系统，证明了强化学习在电池热管理中的可行性与有效性。

关键词

电池热管理 / 电池热电耦合模型 / 强化学习 / 制冷空调系统

基金资助

国家自然科学基金资助项目(52472375)