Opis projektu
Nowy model na potrzeby udoskonalonych akumulatorów do pojazdów elektrycznych
Pojazdy elektryczne są przyszłością. Jaka jednak przyszłość czeka akumulatory do pojazdów elektrycznych? Aby stały się one mniej skomplikowane i łatwiejsze w ładowaniu, należy usprawnić system zarządzania akumulatorami (ang. battery management system, BMS), który monitoruje, kontroluje i ochrania pakiety akumulatorów litowo-jonowych. Zważywszy, że akumulatory te pracują w trudnych warunkach operacyjnych i zróżnicowanych warunkach środowiskowych, co wymusza skomplikowane interakcje, badacze z finansowanego ze środków UE projektu DeepBMS opracują nowy model w celu udoskonalenia funkcjonalności BMS w samochodach elektrycznych. Wydajne algorytmy oparte na uczeniu głębokim ze wzmocnieniem będą wykrywały zmieniające się w czasie skomplikowane zachowanie akumulatora. Zespół projektu zwiększy również niezawodność i wydłuży żywotność akumulatora, poprawiając dokładność szacowania w szerokim zakresie temperatur w całym cyklu życia akumulatora.
Cel
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.
Dziedzina nauki
- engineering and technologyelectrical engineering, electronic engineering, information engineeringelectrical engineeringelectric energy
- natural scienceschemical scienceselectrochemistryelectric batteries
- social sciencessocial geographytransportelectric vehicles
- natural sciencescomputer and information sciencesartificial intelligencemachine learningreinforcement learning
Program(-y)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-AG-UN - HORIZON Unit GrantKoordynator
9220 Aalborg
Dania