論文の概要: Transfer Deep Reinforcement Learning-enabled Energy Management Strategy for Hybrid Tracked Vehicle

• arxiv url: http://arxiv.org/abs/2007.08690v1
• Date: Thu, 16 Jul 2020 23:39:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 22:40:42.514926
• Title: Transfer Deep Reinforcement Learning-enabled Energy Management Strategy for Hybrid Tracked Vehicle
• Title（参考訳）: トランスファーディープ強化学習によるハイブリッドトラック車両のエネルギー管理戦略
• Authors: Xiaowei Guo, Teng Liu, Bangbei Tang, Xiaolin Tang, Jinwei Zhang, Wenhao Tan, and Shufeng Jin
• Abstract要約: 本稿では、深部強化学習(DRL)と伝達学習(TL)を組み合わせたハイブリッド電気自動車の適応エネルギー管理戦略を提案する。 退屈なトレーニング時間でDRLの欠陥に対処することを目的としている。 DRLおよびTL対応制御ポリシは、エネルギー効率を向上し、システム性能を向上させることができる。
• 参考スコア（独自算出の注目度）: 8.327437591702163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes an adaptive energy management strategy for hybrid electric vehicles by combining deep reinforcement learning (DRL) and transfer learning (TL). This work aims to address the defect of DRL in tedious training time. First, an optimization control modeling of a hybrid tracked vehicle is built, wherein the elaborate powertrain components are introduced. Then, a bi-level control framework is constructed to derive the energy management strategies (EMSs). The upper-level is applying the particular deep deterministic policy gradient (DDPG) algorithms for EMS training at different speed intervals. The lower-level is employing the TL method to transform the pre-trained neural networks for a novel driving cycle. Finally, a series of experiments are executed to prove the effectiveness of the presented control framework. The optimality and adaptability of the formulated EMS are illuminated. The founded DRL and TL-enabled control policy is capable of enhancing energy efficiency and improving system performance.
• Abstract（参考訳）: 本稿では、深部強化学習(DRL)と伝達学習(TL)を組み合わせたハイブリッド電気自動車の適応エネルギー管理戦略を提案する。 この研究は、退屈なトレーニング時間におけるDRLの欠陥に対処することを目的としている。 まず、精巧なパワートレイン成分を導入するハイブリッドトラック車両の最適化制御モデルを構築した。 次に、エネルギー管理戦略(EMS)を導出する二段階制御フレームワークを構築する。 上位層では、異なる速度間隔でEMSトレーニングを行うために、特定のDeep Deterministic Policy gradient (DDPG)アルゴリズムを適用している。 低レベルはTL法を用いて、新しい駆動サイクルのためにトレーニング済みのニューラルネットワークを変換している。 最後に、提示された制御フレームワークの有効性を証明するために、一連の実験が実行される。 定式化EMSの最適性と適応性を照明する。 DRLおよびTL対応制御ポリシは、エネルギー効率を高め、システム性能を向上させることができる。

関連論文リスト

• 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)
• Hybrid Reinforcement Learning for Optimizing Pump Sustainability in Real-World Water Distribution Networks [55.591662978280894]
  本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。 我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。 進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
  論文  参考訳（メタデータ） (2023-10-13T21:26:16Z)
• Energy Management of Multi-mode Plug-in Hybrid Electric Vehicle using Multi-agent Deep Reinforcement Learning [6.519522573636577]
  多モードプラグインハイブリッド電気自動車(PHEV)技術は、脱炭に寄与する経路の1つである。 本稿では,多モードPHEVのエネルギー管理のためのマルチエージェント深部強化学習(MADRL)制御法について検討する。 統合DDPG設定と0.2の関連性比を用いて、MADRLシステムはシングルエージェント学習システムと比較して最大4%のエネルギーを節約でき、従来のルールベースシステムに比べて最大23.54%のエネルギーを節約できる。
  論文  参考訳（メタデータ） (2023-03-16T21:31:55Z)
• Skip Training for Multi-Agent Reinforcement Learning Controller for Industrial Wave Energy Converters [94.84709449845352]
  近年のウェーブ・エナジー・コンバータ(WEC)は、発電を最大化するために複数の脚と発電機を備えている。 従来のコントローラは複雑な波のパターンを捕捉する制限を示しており、コントローラはエネルギー捕獲を効率的に最大化する必要がある。 本稿では,従来のスプリングダンパよりも優れたマルチエージェント強化学習コントローラ(MARL)を提案する。
  論文  参考訳（メタデータ） (2022-09-13T00:20:31Z)
• Multi-agent Deep Reinforcement Learning for Charge-sustaining Control of Multi-mode Hybrid Vehicles [9.416703139663705]
  電気化は車両の電気部品の増加を必要とする。 本稿では,マルチモードハイブリッド電気自動車におけるエネルギー管理戦略のオンライン最適化に焦点をあてる。 マルチエージェントを用いた新しいサイバー物理学習法が提案されている。
  論文  参考訳（メタデータ） (2022-09-06T16:40:55Z)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• 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)
• Improving Robustness of Reinforcement Learning for Power System Control with Adversarial Training [71.7750435554693]
  電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。 具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。 本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
  論文  参考訳（メタデータ） (2021-10-18T00:50:34Z)
• Data-Driven Transferred Energy Management Strategy for Hybrid Electric Vehicles via Deep Reinforcement Learning [3.313774035672581]
  本稿では,DRL法と転写学習(TL)を併用したリアルタイムEMSを提案する。 関連するEMSは、Transport Secure Data Centerから収集された実世界の運転サイクルデータセットから導出され、評価される。 シミュレーションの結果, DRLをベースとしたEMSは, 時間消費を効果的に低減し, 制御性能を保証できることが示唆された。
  論文  参考訳（メタデータ） (2020-09-07T17:53:07Z)
• Human-like Energy Management Based on Deep Reinforcement Learning and Historical Driving Experiences [5.625230013691758]
  ハイブリッド電気自動車の開発は、高度かつ効率的なエネルギー管理戦略(EMS)に依存している 本稿では, 深部強化学習法と過去の運転データに基づいて, ハイブリッド電気自動車の人為的なエネルギー管理の枠組みについて述べる。 燃料経済と収束率の改善は、構築された制御構造の有効性を示している。
  論文  参考訳（メタデータ） (2020-07-16T14:15:35Z)
• Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
  Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。 我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。 過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-05-25T01:42:55Z)

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。