Centralized Multi-Agent SOC Control for Battery Health Using Proximal Policy Optimization in EVs
Notice bibliographique
Résumé
Lithium-ion batteries (LIBs) have garnered significant attention due to their expanding use in various applications, including electric vehicles (EVs) and smart grids. To meet the diverse requirements of these applications, LIB cells are configured in different architectures, such as multiple cell/module/pack which are arranged in series and parallel configurations. In series configurations, a state of charge (SOC) balancing system is essential to ensure uniform SOC levels across all cells. For battery electric vehicles (BEVs), which rely solely on LIBs as their energy storage system (ESS), maximizing the ESS capacity is crucial for extending the driving range. SOC balancing is a key strategy to achieve optimal utilization of ESS capacity in EVs. This paper presents a model-free cooperative multi-agent control framework designed to regulate and balance the SOC of lithium-ion battery (LIB) cells in EVs during real-time driving operations. The proposed method utilizes a series architecture comprising three LIB cells, each equipped with a buck-boost converter and a proportional-integral (PI) controller, controlled by a reinforcement learning (RL) agent. The Proximal Policy Optimization (PPO) algorithm is used as the RL agent in this multi-agent framework, where each PPO agent independently manages the SOC of a corresponding battery cell based on observed data. During the training phase, all PPO agents work collaboratively to balance the SOCs of the LIB cells, thereby preventing interruptions in EV performance. The effectiveness of the proposed approach is demonstrated by comparing its performance with single-agent methods such as PPO, Soft Actor-Critic (SAC), and Twin Delayed Deep Deterministic Policy Gradient (TD3), as well as with other multi-agent methods. The results show that the proposed method performs better than the existing approaches, indicating its potential for superior performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».