論文の概要: Transferred Energy Management Strategies for Hybrid Electric Vehicles
Based on Driving Conditions Recognition
- arxiv url: http://arxiv.org/abs/2007.08337v1
- Date: Thu, 16 Jul 2020 13:57:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 00:10:36.981871
- Title: Transferred Energy Management Strategies for Hybrid Electric Vehicles
Based on Driving Conditions Recognition
- Title(参考訳): 運転条件認識に基づくハイブリッド電気自動車の送電エネルギー管理戦略
- Authors: Teng Liu, Xiaolin Tang, Jiaxin Chen, Hong Wang, Wenhao Tan, Yalian
Yang
- Abstract要約: エネルギー管理戦略(EMS)は、省エネルギーと排出削減の可能性を決定する。
本研究は, 強化学習法と駆動条件認識を組み合わせることで, 並列HEV用トランスポートEMSを提案する。
- 参考スコア(独自算出の注目度): 16.346064265993782
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Energy management strategies (EMSs) are the most significant components in
hybrid electric vehicles (HEVs) because they decide the potential of energy
conservation and emission reduction. This work presents a transferred EMS for a
parallel HEV via combining the reinforcement learning method and driving
conditions recognition. First, the Markov decision process (MDP) and the
transition probability matrix are utilized to differentiate the driving
conditions. Then, reinforcement learning algorithms are formulated to achieve
power split controls, in which Q-tables are tuned by current driving
situations. Finally, the proposed transferred framework is estimated and
validated in a parallel hybrid topology. Its advantages in computational
efficiency and fuel economy are summarized and proved.
- Abstract(参考訳): エネルギー管理戦略(EMS、Energy Management Strategy)は、ハイブリッド電気自動車(HEV)において、エネルギー保存と排出削減の可能性を決定するため最も重要な要素である。
本研究は, 強化学習法と駆動条件認識を組み合わせることで, 並列HEV用トランスポートEMSを提案する。
まず、マルコフ決定過程(MDP)と遷移確率行列を用いて駆動条件を判別する。
そして、強化学習アルゴリズムを定式化し、現在の運転状況でqテーブルをチューニングするパワースプリット制御を実現する。
最後に,提案フレームワークを並列ハイブリッドトポロジーで推定し,検証する。
計算効率と燃費におけるその利点を要約し、証明した。
関連論文リスト
- Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [79.088116316919]
コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。
本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
論文 参考訳(メタデータ) (2024-09-19T14:36:00Z) - Data-driven modeling and supervisory control system optimization for plug-in hybrid electric vehicles [16.348774515562678]
プラグインハイブリッド電気自動車(PHEV)のための学習型インテリジェントエネルギー管理システムは,効率的なエネルギー利用の実現に不可欠である。
彼らのアプリケーションは現実世界でシステム信頼性の課題に直面しており、元の機器メーカー(OEM)が広く受け入れられることを防ぐ。
本稿では,水平延長型強化学習(RL)に基づくエネルギー管理と等価消費最小化戦略(ECMS)を組み合わせた実車用アプリケーション指向制御フレームワークを提案する。
論文 参考訳(メタデータ) (2024-06-13T13:04:42Z) - Recent Progress in Energy Management of Connected Hybrid Electric
Vehicles Using Reinforcement Learning [6.851787321368938]
電気輸送へのシフトは、化石燃料消費に関する環境問題を抑制することを目的としている。
HEVからコネクテッドハイブリッド電気自動車(CHEV)へのエネルギー管理システム(EMS)の進化は、重要なシフトを表している。
このレビューは、将来の持続可能な輸送システムに対するRLベースのソリューションのギャップを橋渡しし、課題、進歩、潜在的貢献を明らかにする。
論文 参考訳(メタデータ) (2023-08-28T14:12:52Z) - Federated Reinforcement Learning for Electric Vehicles Charging Control
on Distribution Networks [42.04263644600909]
マルチエージェント深部強化学習(MADRL)はEV充電制御において有効であることが証明されている。
既存のMADRLベースのアプローチでは、配電ネットワークにおけるEV充電/放電の自然な電力フローを考慮できない。
本稿では,マルチEV充電/放電と最適電力流で動作する放射分布ネットワーク(RDN)を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2023-08-17T05:34:46Z) - A novel learning-based robust model predictive control energy management
strategy for fuel cell electric vehicles [3.1228843539209508]
4WD燃料電池電気自動車(FCEV)のための新しい学習型ロバストモデル予測制御(LRMPC)戦略を提案する。
機械学習(ML)に基づくよく設計された戦略は、非線形システムの知識を、より優れたロバストな性能を持つ明示的な制御スキームに翻訳する。
以上の結果から, LRMPCの省エネ電位と高リアルタイム適用能力の最適制御効果が示された。
論文 参考訳(メタデータ) (2022-09-12T02:57:48Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳(メタデータ) (2022-06-28T17:08:31Z) - Eco-driving for Electric Connected Vehicles at Signalized Intersections:
A Parameterized Reinforcement Learning approach [6.475252042082737]
本稿では、強化学習(RL)に基づく電気連系車両(CV)のエコ駆動フレームワークを提案する。
我々の戦略は、他の人間駆動車(HDV)を中断することなく適切な行動スキームを学習することで、エネルギー消費を大幅に削減できることを示す。
論文 参考訳(メタデータ) (2022-06-24T04:11:28Z) - Stabilizing Voltage in Power Distribution Networks via Multi-Agent
Reinforcement Learning with Transformer [128.19212716007794]
本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。
さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
論文 参考訳(メタデータ) (2022-06-08T07:48:42Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳(メタデータ) (2021-11-13T15:03:44Z) - Adaptive Energy Management for Real Driving Conditions via Transfer
Reinforcement Learning [19.383907178714345]
本稿では, 並列トポロジを用いたハイブリッド電気自動車(HEV)における伝達強化学習(RL)に基づく適応エネルギー管理手法を提案する。
上位レベルは、駆動サイクル変換(DCT)を介してRLフレームワークのQ値テーブルを変換する方法を特徴付ける。
低レベルは、変換されたQ値テーブルとTPMで対応する制御戦略を設定する方法を決定する。
論文 参考訳(メタデータ) (2020-07-24T15:06:23Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳(メタデータ) (2020-02-20T04:58:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。