FRAMEWORK HÍBRIDO DE APRENDIZAGEM POR REFORÇO E MODELAGEM ELETROTÉRMICA PARA OTIMIZAÇÃO EM TEMPO REAL DE CARREGAMENTO INTELIGENTE DE FROTAS DE VEÍCULOS ELÉTRICOS COM FOCO NO CUSTO TOTAL DE PROPRIEDADE DE LONGO PRAZO

IPC Classification

Abstract

FRAMEWORK HÍBRIDO DE APRENDIZAGEM POR REFORÇO E MODELAGEM ELETROTÉRMICA PARA OTIMIZAÇÃO EM TEMPO REAL DE CARREGAMENTO INTELIGENTE DE FROTAS DE VEÍCULOS ELÉTRICOS COM FOCO NO CUSTO TOTAL DE PROPRIEDADE DE LONGO PRAZO. A presente invenção refere-se a um framework híbrido de aprendizagem por reforço e modelagem eletrotérmica (RL_ET) para otimização em tempo real do carregamento de baterias de veículos elétricos (EV). O objetivo é minimizar o Custo Total de Propriedade de Longo Prazo (LTCO), equilibrando custos de energia sob tarifas Time-of-Use (TOU) com a mitigação da degradação acelerada da bateria. O framework soluciona uma lacuna crítica no estado da técnica ao integrar três componentes: (i) um Modelo Sub-rogado por Processo Gaussiano (GPR), treinado off-line com dados de alta fidelidade eletroquímica, que estima o custo de degradação instantâneo de forma computacionalmente eficiente; e (ii) um Agente de Aprendizagem por Reforço (PPO). O núcleo inventivo reside na utilização, pelo agente PPO, de uma Função Recompensa (LTCO) que incorpora explicitamente o Custo de Degradação e um Vetor de Estado Aumentado que inclui parâmetros eletrotérmicos como Temperatura e State of Health (SoH). Isso permite ao sistema aprender a política ótima para gerenciar a degradação e o estresse da bateria por meio do controle contínuo da taxa de carregamento. O método oferece robustez e estabilidade, alcançando substancial redução do LTCO.