Ενισχυτική μάθηση και φυσικά μοντέλα για πρόβλεψη κατάστασης φόρτισης σε μπαταρίες ιόντων λιθίου

Βασιλάκης, Κωνσταντίνος; Vasilakis, Konstantinos

dc.contributor.author	Βασιλάκης, Κωνσταντίνος	el
dc.contributor.author	Vasilakis, Konstantinos	en
dc.date.accessioned	2025-07-28T06:48:10Z
dc.date.available	2025-07-28T06:48:10Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62192
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29888
dc.rights	Default License
dc.subject	Ενισχυτική μάθηση	el
dc.subject	Μοντελοποίηση μπαταρίας	el
dc.subject	Reinforcement learning	en
dc.subject	Εκτίμηση κατάστασης φόρτισης	el
dc.subject	Battery modeling	en
dc.subject	State of charge estimation	en
dc.title	Ενισχυτική μάθηση και φυσικά μοντέλα για πρόβλεψη κατάστασης φόρτισης σε μπαταρίες ιόντων λιθίου	el
dc.title	Reinforcement learning and physics-based models for state of charge prediction of li-Ion batteries	en
heal.type	bachelorThesis
heal.classification	Ενισχυτική Μάθηση	el
heal.classification	Reinforcement Learning	en
heal.classification	Μοντελοποίηση	el
heal.classification	Modeling	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-24
heal.abstract	Ο σκοπός της διπλωματικής εργασίας είναι η ανάπτυξη μιας μεθοδολογίας η οποία μπορεί να χρησιμοποιηθεί για τον υπολογισμό της Κατάστασης Φόρτισης μπαταριών Ιόντων Λιθίου. Γενικότερα δύο βασικές μέθοδοι μπορούν να χρησιμοποιηθούν για την μοντελοποίηση ενός συστήματος, η πρώτη βασίζεται σε κάποιο φυσικό μοντέλο το οποίο αποτελείται από εξισώσεις που περιγράφουν τη συμπεριφορά του συστήματος και η δεύτερη σε προσεγγίσεις βασισμένες σε τεχνολογίες μηχανικής μάθησης όπου η συμπεριφορά μαθαίνεται από κάποιο σύνολο μετρήσεων που ήδη υπάρχει. Σε αυτήν την εργασία χρησιμοποιήθηκε ένας συνδυασμός των δύο παραπάνω μεθόδων όπου ένα φυσικό μοντέλο της μπαταρίας δημιουργείται με βάση ένα Μοντέλο Ισοδύναμου Κυκλώματος ενώ οι παράμετροι του μοντέλου αυτού υπολογίζονται σε πραγματικό χρόνο από ένα νευρωνικό δίκτυο το οποίο εκπαιδεύεται σε ένα σύνολο πειραματικών μετρήσεων χρησιμοποιώντας μεθόδους Ενισχυτικής Μάθησης. Η μέθοδος που περιγράφεται στοχεύει στο να συνδυάσει πλεονεκτήματα και από τις δύο επιμέρους μεθοδολογίες χρησιμοποιώντας το φυσικό μοντέλο για να προσεγγίσει τη βασική δυναμική του συστήματος και το νευρωνικό δίκτυο για να υπολογίσει τις παραμέτρους του και να βελτιώσει τη συμπεριφορά περιγράφοντας πιθανές μη γραμμικότητες που εμπεριέχονται στα πειραματικά δεδομένα. Στόχος είναι η δημιουργία ενός συνολικού μοντέλου με έναν αποδεκτό συμβιβασμό μεταξύ ακρίβειας και πολυπλοκότητας το οποίο θα μπορεί να χρησιμοποιηθεί σε εφαρμογές που απαιτείται υπολογισμός σε πραγματικό χρόνο.	el
heal.abstract	The scope of the thesis is the development of a methodology that can be used in order to estimate the State of Charge of Li-ion batteries. In general two basic methods can be used when modeling a system, physics-based approaches, where the underlying equations of the system are derived and solved, and data-based approaches, where the behavior is learned from a dataset using machine learning methods. In this work a hybrid approach is utilized where a physics-based model for a battery is derived based on the battery’s Equivalent Circuit Model (ECM) while the parameters of the model are estimated in real time by a neural network that has been trained on a dataset of real measurements using Reinforcement Learning. The approach described is focused on combining advantages from both methodologies by using a physics-based model to describe the base dynamics of the system while estimating the model parameters and capturing any additional nonlinearities present by utilizing a data driven approach. There is also a strong focus to produce a combined model with a good trade off between accuracy and complexity that can be used in applications with real time requirements.	en
heal.advisorName	Μέντζας, Γρηγόρης	el
heal.committeeMemberName	Μέντζας, Γρηγόρης	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Μαρινάκης, Ευάγγελος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	88 σ.	el
heal.fullTextAvailability	false