Andrea Pozzi · Alessandro Incremona · Daniele Toti · IEEE Access · 2025年1月

锂离子电池在电动汽车中发挥关键作用，但优化充电过程以提升电池寿命、安全性和效率仍是重大挑战。传统预测控制方法依赖精确模型，受老化、生产变异和运行条件导致的参数不确定性限制。随机预测控制策略可通过将不确定性纳入优化过程解决该问题，但引入大量计算复杂性。本文提出新型方法，通过模仿学习高效近似随机预测控制策略，通过离线训练显著降低计算负担。该方法利用Dataset Aggregation算法克服分布偏移问题。基于详细电化学模型的仿真验证方法有效性，遵守概率约束，为先进电池管理系统提供可扩展且计算高效的...

解读: 该随机电池管理优化技术对阳光电源新能源汽车电驱控产品线有重要价值。阳光车载OBC和BMS面临电池参数不确定性和复杂工况的挑战。模仿学习方法可将高计算复杂度的随机优化控制策略离线训练为轻量化神经网络模型，部署到阳光嵌入式BMS硬件中。该技术可提升阳光BMS在不确定条件下的充电优化性能，延长电池寿命，提...