Fugu-MT 論文翻訳(概要): A novel learning-based robust model predictive control energy management strategy for fuel cell electric vehicles

論文の概要: A novel learning-based robust model predictive control energy management strategy for fuel cell electric vehicles

arxiv url: http://arxiv.org/abs/2209.04995v1
Date: Mon, 12 Sep 2022 02:57:48 GMT
ステータス: 処理完了
システム内更新日: 2022-09-13 14:06:54.245917
Title: A novel learning-based robust model predictive control energy management strategy for fuel cell electric vehicles
Title（参考訳）: 燃料電池電気自動車のための新しい学習ベースロバストモデル予測制御エネルギー管理戦略
Authors: Shibo Li, Zhuoran Hou, Liang Chu, Jingjing Jiang and Yuanjian Zhang
Abstract要約: 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。
参考スコア（独自算出の注目度）: 3.1228843539209508
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The multi-source electromechanical coupling makes the energy management of fuel cell electric vehicles (FCEVs) relatively nonlinear and complex especially in the types of 4-wheel-drive (4WD) FCEVs. Accurate state observing for complicated nonlinear system is the basis for fantastic energy managing in FCEVs. Aiming at releasing the energy-saving potential of FCEVs, a novel learning-based robust model predictive control (LRMPC) strategy is proposed for a 4WD FCEV, contributing to suitable power distribution among multiple energy sources. The well-designed strategy based on machine learning (ML) translates the knowledge of the nonlinear system to the explicit controlling scheme with superior robust performance. To start with, ML methods with high regression accuracy and superior generalization ability are trained offline to establish the precise state observer for SOC. Then, explicit data tables for SOC generated by state observer are used for grabbing accurate state changing, whose input features include the vehicle status and the states of vehicle components. To be specific, the vehicle velocity estimation for providing future speed reference is constructed by deep forest. Next, the components including explicit data tables and vehicle velocity estimation are combined with model predictive control (MPC) to release the state-of-the-art energy-saving ability for the multi-freedom system in FCEVs, whose name is LRMPC. At last, the detailed assessment is performed in simulation test to validate the advancing performance of LRMPC. The corresponding results highlight the optimal control effect in energy-saving potential and strong real-time application ability of LRMPC.
Abstract（参考訳）: 多源電気機械結合により、燃料電池電気自動車(fcev)のエネルギー管理は、特に4輪駆動(4wd)のfcevのタイプにおいて比較的非線形で複雑になる。複雑な非線形システムの正確な状態観測は、FCEVにおける素晴らしいエネルギー管理の基礎となる。 FCEVの省エネ可能性の解放を目指して,4WD FCEV の学習型頑健なモデル予測制御 (LRMPC) 戦略が提案され,複数のエネルギー源間の適切な電力分配に寄与する。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。まず、SOCの正確な状態オブザーバを確立するために、高い回帰精度と優れた一般化能力を有するML手法をオフラインで訓練する。次に、状態オブザーバが生成するSOCの明示的なデータテーブルを用いて、車両の状態と車両部品の状態を含む入力特性の正確な状態変化を把握する。具体的には、将来の速度基準を提供するための車両速度推定を深い森林で構築する。次に、明示的なデータテーブルと車両速度推定を含むコンポーネントをモデル予測制御(MPC)と組み合わせて、FCEVにおける多自由度システムのための最先端の省エネ能力を解放する。最後に, LRMPCの進行性能を評価するため, シミュレーション試験において詳細な評価を行う。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。

関連論文リスト

MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文参考訳（メタデータ） (2024-06-23T15:30:40Z)
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)
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)
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)
A Dynamic Feedforward Control Strategy for Energy-efficient Building System Operation [59.56144813928478]
現在の制御戦略と最適化アルゴリズムでは、そのほとんどはリアルタイムフィードバックから情報を受け取ることに依存している。本稿では,システム制御のためのシステム特性を同時に構築することによる,ダイナミックな事前知識を組み込む,エンジニアフレンドリな制御戦略フレームワークを提案する。典型的な制御戦略でシステム制御を加熱するケースでテストしたところ、我々のフレームワークは15%の省エネ性を持っていることがわかった。
論文参考訳（メタデータ） (2023-01-23T09:07:07Z)
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)
Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文参考訳（メタデータ） (2022-08-24T07:50:43Z)
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)
Transferred Energy Management Strategies for Hybrid Electric Vehicles Based on Driving Conditions Recognition [16.346064265993782]
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。
論文参考訳（メタデータ） (2020-07-16T13:57:46Z)
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。