Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano italiano
CORDIS - Risultati della ricerca dell’UE
CORDIS

Deep Reinforcement Learning-Based Battery Management System for Electric Vehicles

Descrizione del progetto

Un nuovo modello per batterie migliori per veicoli elettrici

I veicoli elettrici sono il futuro. Cosa riserva il domani per le loro batterie? Per renderle meno complesse e più facili da ricaricare è importante migliorare il sistema di gestione (BMS, Battery Management System) che monitora, controlla e protegge i pacchi di batterie agli ioni di litio. Dal momento che le batterie per veicoli elettrici sono soggette a cicli operativi intensi e a condizioni ambientali variabili, che originano interazioni molto complesse, il progetto DeepBMS, finanziato dall’UE, svilupperà un nuovo modello per migliorare la funzionalità del loro sistema di gestione. Attraverso algoritmi efficienti basati sull’apprendimento di rinforzo profondo, verrà registrato il complesso comportamento variabile nel tempo che contraddistingue le batterie. Grazie alla fornitura di stime più precise in un intervallo di temperatura ampio e per l’intera durata del ciclo di vita delle batterie, DeepBMS le renderà anche più affidabili e durevoli.

Obiettivo

Battery Management System (BMS) plays a pivotal role in monitoring, control, and protecting the Electric Vehicle (EV) Lithium-ion battery packs. In vehicular applications, batteries are usually subjected to harsh operating cycles and varying environmental conditions leading to very complicated interactions of different aging factors and unforeseeable modeling uncertainties. Therefore, the classical model-based techniques cannot completely handle the foregoing factors, which always leave an unwanted state estimation error in the BMS. This project intends to apply a multidisciplinary approach by combining the advantages of deep reinforcement learning and classical model-based techniques to improve the BMS functionality in EVs. Specifically, DeepBMS aims to: 1-Develop efficient deep reinforcement learning-based algorithms which are able to capture the convoluted time-varying behavior of battery and can gradually improve themselves by learning in real-time 2- Combine the beneficial features of model-based and data-driven techniques to improve the state estimation accuracy in a wide temperature range and over the full life span of the batteries, thereby increasing the reliability and extending the battery lifetime. The interdisciplinary nature of DeepBMS is very strong, involving a combination of control and state estimation theory, power electronics, battery storage systems, and machine learning. The supervisor and candidate have excellent complemental research experiences in these fields providing the necessary competencies to bring the project to successful completion. The project ensures two-way transfer of knowledge including training of the candidate in cutting-edge advanced techniques in a state-of-the-art laboratory, which improves his future career prospects. Likewise, DeepBMS is in line with the EU strategic action plan on batteries and its results have a great potential to be further developed at the fundamental and applied levels through follow-up research.

Campo scientifico (EuroSciVoc)

CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: Il Vocabolario Scientifico Europeo.
La classificazione di questo progetto è stata convalidata dal team del progetto.

Parole chiave

Parole chiave del progetto, indicate dal coordinatore del progetto. Da non confondere con la tassonomia EuroSciVoc (campo scientifico).

Programma(i)

Programmi di finanziamento pluriennali che definiscono le priorità dell’UE in materia di ricerca e innovazione.

Argomento(i)

Gli inviti a presentare proposte sono suddivisi per argomenti. Un argomento definisce un’area o un tema specifico per il quale i candidati possono presentare proposte. La descrizione di un argomento comprende il suo ambito specifico e l’impatto previsto del progetto finanziato.

Meccanismo di finanziamento

Meccanismo di finanziamento (o «Tipo di azione») all’interno di un programma con caratteristiche comuni. Specifica: l’ambito di ciò che viene finanziato; il tasso di rimborso; i criteri di valutazione specifici per qualificarsi per il finanziamento; l’uso di forme semplificate di costi come gli importi forfettari.

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

Procedura per invitare i candidati a presentare proposte di progetti, con l’obiettivo di ricevere finanziamenti dall’UE.

(si apre in una nuova finestra) HORIZON-MSCA-2021-PF-01

Vedi tutti i progetti finanziati nell’ambito del bando

Coordinatore

AALBORG UNIVERSITET
Contributo netto dell'UE

Contributo finanziario netto dell’UE. La somma di denaro che il partecipante riceve, decurtata dal contributo dell’UE alla terza parte collegata. Tiene conto della distribuzione del contributo finanziario dell’UE tra i beneficiari diretti del progetto e altri tipi di partecipanti, come i partecipanti terzi.

€ 230 774,40
Indirizzo
FREDRIK BAJERS VEJ 7K
9220 Aalborg
Danimarca

Mostra sulla mappa

Regione
Danmark Nordjylland Nordjylland
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale

I costi totali sostenuti dall’organizzazione per partecipare al progetto, compresi i costi diretti e indiretti. Questo importo è un sottoinsieme del bilancio complessivo del progetto.

Nessun dato
Il mio fascicolo 0 0