論文の概要: Energy Consumption and Battery Aging Minimization Using a Q-learning
Strategy for a Battery/Ultracapacitor Electric Vehicle
- arxiv url: http://arxiv.org/abs/2010.14115v1
- Date: Tue, 27 Oct 2020 07:59:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 13:16:59.133139
- Title: Energy Consumption and Battery Aging Minimization Using a Q-learning
Strategy for a Battery/Ultracapacitor Electric Vehicle
- Title（参考訳）: バッテリー/ウルトラキャパシタ電気自動車のQラーニング戦略を用いたエネルギー消費と電池寿命最小化
- Authors: Bin Xu, Junzhe Shi, Sixu Li, Huayi Li, Zhe Wang
- Abstract要約: 本研究では,Qラーニングに基づく電池劣化とエネルギー消費を最小化するための戦略を提案する。
その結果,Q-ラーニング戦略はバッテリ劣化を13-20%遅くし,車両の走行距離を1.5-2%向上させることが示唆された。
- 参考スコア（独自算出の注目度）: 5.842691464468424
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Propulsion system electrification revolution has been undergoing in the
automotive industry. The electrified propulsion system improves energy
efficiency and reduces the dependence on fossil fuel. However, the batteries of
electric vehicles experience degradation process during vehicle operation.
Research considering both battery degradation and energy consumption in
battery/ supercapacitor electric vehicles is still lacking. This study proposes
a Q-learning-based strategy to minimize battery degradation and energy
consumption. Besides Q-learning, two heuristic energy management methods are
also proposed and optimized using Particle Swarm Optimization algorithm. A
vehicle propulsion system model is first presented, where the severity factor
battery degradation model is considered and experimentally validated with the
help of Genetic Algorithm. In the results analysis, Q-learning is first
explained with the optimal policy map after learning. Then, the result from a
vehicle without ultracapacitor is used as the baseline, which is compared with
the results from the vehicle with ultracapacitor using Q-learning, and two
heuristic methods as the energy management strategies. At the learning and
validation driving cycles, the results indicate that the Q-learning strategy
slows down the battery degradation by 13-20% and increases the vehicle range by
1.5-2% compared with the baseline vehicle without ultracapacitor.
- Abstract（参考訳）: 推進システムの電化革命は自動車業界で進行中である。
電動推進システムはエネルギー効率を改善し、化石燃料への依存を減らす。
しかし、電気自動車の電池は車両運転中の劣化過程を経験する。
バッテリー/スーパーキャパシタ電気自動車のバッテリ劣化とエネルギー消費の両方を考慮に入れた研究は、まだ不十分である。
本研究では,Qラーニングに基づく電池劣化とエネルギー消費を最小化するための戦略を提案する。
Q-learning以外にも、Particle Swarm Optimizationアルゴリズムを用いて2つのヒューリスティックエネルギー管理手法を提案し、最適化する。
最初に車両推進システムモデルを提示し, 遺伝的アルゴリズムを用いて重症度因子のバッテリー劣化モデルを検討し, 実験的に検証した。
結果分析では、q-learningは学習後に最適なポリシーマップで説明される。
そして、このベースラインとして、Qラーニングを用いた超キャパシタを用いた車両と、エネルギー管理戦略としての2つのヒューリスティック手法を比較したウルトラキャパシタのない車両の結果を用いる。
学習・検証駆動サイクルにおいて,Q-ラーニング戦略は電池劣化を13-20%遅くし,超キャパシタのないベースライン車両と比較して1.5-2%増加した。
関連論文リスト
- Towards Optimal Energy Management Strategy for Hybrid Electric Vehicle
with Reinforcement Learning [5.006685959891296]
強化学習(Reinforcement Learning, RL)は、知的制御戦略を学習するための効果的なソリューションであることが証明されている。
本稿では, FASTSim というオープンソースの車両シミュレーションツールと RL ベースの EMS を実装し, 統合する新しいフレームワークを提案する。
学習したRLベースのEMSは、異なるテスト駆動サイクルを用いて様々な車両モデル上で評価され、エネルギー効率の向上に有効であることが証明された。
論文 参考訳（メタデータ） (2023-05-21T06:29:17Z) - A Lifetime Extended Energy Management Strategy for Fuel Cell Hybrid
Electric Vehicles via Self-Learning Fuzzy Reinforcement Learning [0.0]
燃料電池ハイブリッド電気自動車のファジィ強化学習に基づくエネルギー管理戦略を提案する。
Fuzzy Q-learningはモデルなしの強化学習であり、環境と対話することで学習することができる。
ファジィ論理を適用してQラーニングの値関数を近似すると、連続状態やアクション空間の問題を解くことができる。
論文 参考訳（メタデータ） (2023-02-13T10:20:21Z) - Empirical Analysis of AI-based Energy Management in Electric Vehicles: A
Case Study on Reinforcement Learning [9.65075615023066]
強化学習ベース(RLベース)エネルギー管理戦略(EMS)は、複数の電力源を持つ電気自動車のエネルギー管理において有望な解決策であると考えられる。
本稿では, プラグインハイブリッド電気自動車 (PHEV) と燃料電池電気自動車 (FCEV) におけるRL系EMSの実証分析について述べる。
論文 参考訳（メタデータ） (2022-12-18T20:12:20Z) - 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) - 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) - Optimizing a domestic battery and solar photovoltaic system with deep
reinforcement learning [69.68068088508505]
バッテリーと太陽光発電システムのコストの低下は、ソーラーバッテリーの家庭用システムの増加に繋がった。
本研究では,システム内の電池の充電および放電挙動を最適化するために,深い決定論的ポリシーアルゴリズムを用いる。
論文 参考訳（メタデータ） (2021-09-10T10:59:14Z) - Safe Model-based Off-policy Reinforcement Learning for Eco-Driving in
Connected and Automated Hybrid Electric Vehicles [3.5259944260228977]
本研究は,エコドライブ問題に対するセーフオフポジーモデルに基づく強化学習アルゴリズムを提案する。
提案アルゴリズムは, モデルフリーエージェントと比較して, 平均速度が高く, 燃費も良好である。
論文 参考訳（メタデータ） (2021-05-25T03:41:29Z) - Learning Time Reduction Using Warm Start Methods for a Reinforcement
Learning Based Supervisory Control in Hybrid Electric Vehicle Applications [6.728179095424962]
本研究では,HEVアプリケーションにおけるQ-ラーニングの学習イテレーションを削減し,温暖化開始法を利用した初期学習フェーズにおける燃料消費を改善することを目的とする。
その結果、提案したウォームスタートQ-ラーニングは、コールドスタートQ-ラーニングよりも68.8%少ないイテレーションを必要とすることがわかった。
論文 参考訳（メタデータ） (2020-10-27T19:32:44Z) - Mobile Cellular-Connected UAVs: Reinforcement Learning for Sky Limits [71.28712804110974]
本稿では,UAVの切断時間,ハンドオーバ速度,エネルギー消費を低減するため,MAB(Multi-armed bandit)アルゴリズムを提案する。
それぞれの性能指標(PI)が、適切な学習パラメータの範囲を採用することにより、どのように改善されるかを示す。
論文 参考訳（メタデータ） (2020-09-21T12:35:23Z) - State-of-Charge Estimation of a Li-Ion Battery using Deep Forward Neural
Networks [68.8204255655161]
リチウムイオン電池のためのDeep Forward Networkを構築し,その性能評価を行った。
本研究の貢献はリチウムイオン電池用ディープフォワードネットワークの構築手法とその性能評価である。
論文 参考訳（メタデータ） (2020-09-20T23:47:11Z) - Universal Battery Performance and Degradation Model for Electric
Aircraft [52.77024349608834]
電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。
我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。
このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
論文 参考訳（メタデータ） (2020-07-06T16:10:54Z)
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。