分会场

智能控制与混合动力

摘要

在本研究中，将Q 学习算法作为混合动力电动汽车hybrid electric vehicle (HEV) 控制技术探索的主要方法。 Q-learning算法在处理高维状态空间的复杂结构时面临挑战，这可能导致训练时出现“维度灾难”。 在这项工作中，我们提出了一种改进的能源管理框架，它将专家知识融入深度确定性策略梯度Deep Deterministic Policy Gradient（DDPG）和深度 Q 网络Deep Q Network（DQN）中。 此集成考虑了混合动力汽车特有的电池特性和最佳制动比燃油消耗Brake Specific Fuel Consumption (BSFC) 曲线。 本文首先概述了功率分流 HEV 配置的系统建模， 并建立了基于 DDPG 和 DQN 的能源管理策略。 然后，基于该模型使用动态规划Dynamic Programming（DP）算法建立最优控制策略并作为与 DQN 和 DDPG 策略进行比较的基线。训练结果表明，基于 DDPG 的能源管理系统Energy Management System (EMS) 优于现有最先进的深度强化学习技术和方法，无需先验知识。 此外，本方法展示了在不同 HEV EMS 场景中使用的适应性。为了突出我们研究结果的实用性，我们提供了针对功率分流 HEV 应用的全面模拟演示。模拟结果表明了该方法具有显着节省燃油消耗的潜力。

关键词

混合动力电动汽车;能源管理;强化学习;深度Q网络算法;深度确定性策略梯度算法;燃油消耗

电子U盘全文仅限大会已缴费参会代表下载。

您还没有登录，请您先 点击这里登录