論文の概要: Constrained Optimal Fuel Consumption of HEV: A Constrained Reinforcement
Learning Approach
- arxiv url: http://arxiv.org/abs/2403.07503v1
- Date: Tue, 12 Mar 2024 10:42:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 22:03:32.250129
- Title: Constrained Optimal Fuel Consumption of HEV: A Constrained Reinforcement
Learning Approach
- Title（参考訳）: hevの制約付き最適燃料消費量:制約付き強化学習アプローチ
- Authors: Shuchang Yan
- Abstract要約: この研究は、制約付き強化学習(CRL)の観点から、制約付き最適燃料消費(COFC)の数学的表現を提供する。
CRLの2つの主要なアプローチ、制約付き変動ポリシー最適化(CVPO)とラグランジアンベースのアプローチが、車両の最小燃費を得るために初めて使用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hybrid electric vehicles (HEVs) are becoming increasingly popular because
they can better combine the working characteristics of internal combustion
engines and electric motors. However, the minimum fuel consumption of an HEV
for a battery electrical balance case under a specific assembly condition and a
specific speed curve still needs to be clarified in academia and industry.
Regarding this problem, this work provides the mathematical expression of
constrained optimal fuel consumption (COFC) from the perspective of constrained
reinforcement learning (CRL) for the first time globally. Also, two mainstream
approaches of CRL, constrained variational policy optimization (CVPO) and
Lagrangian-based approaches, are utilized for the first time to obtain the
vehicle's minimum fuel consumption under the battery electrical balance
condition. We conduct case studies on the well-known Prius TOYOTA hybrid system
(THS) under the NEDC condition; we give vital steps to implement CRL approaches
and compare the performance between the CVPO and Lagrangian-based approaches.
Our case study found that CVPO and Lagrangian-based approaches can obtain the
lowest fuel consumption while maintaining the SOC balance constraint. The CVPO
approach converges stable, but the Lagrangian-based approach can obtain the
lowest fuel consumption at 3.95 L/100km, though with more significant
oscillations. This result verifies the effectiveness of our proposed CRL
approaches to the COFC problem.
- Abstract（参考訳）: ハイブリッド電気自動車(HEV)は、内燃機関と電動モーターの作動特性をうまく組み合わせられるため、ますます人気が高まっている。
しかし、特定の組立条件と特定の速度曲線の下でのバッテリ電気バランスケースのhevの最小燃料消費量は、学界や産業においていまだに明確化する必要がある。
この問題に関して、この研究は、制約付き強化学習(CRL)の観点から初めて、制約付き最適燃料消費(COFC)の数学的表現を提供する。
また、crlの2つの主要なアプローチ、制約付き変分政策最適化(cvpo)とラグランジアンに基づくアプローチが、バッテリ電気バランス条件下で車両の最小燃料消費量を得るために初めて利用される。
我々は,NEDC条件下で有名なTOYOTAハイブリッドシステム(THS)のケーススタディを行い,CRL手法の実装とCVPOとラグランジアン方式の性能比較を行う。
本研究は,socバランス制約を維持しつつ,cvpoとラグランジアンに基づくアプローチが最も低い燃料消費量を得ることができることを示すものである。
CVPO法は安定に収束するが、ラグランジアン法はより大きな振動を伴って3.95 L/100kmの低燃費が得られる。
本結果は,COFC問題に対するCRL手法の有効性を検証するものである。
関連論文リスト
- Constrained Optimal Fuel Consumption of HEV:Considering the Observational Perturbation [12.936592572736908]
我々は,SOCと速度の観測摂動下でのSOCバランスを維持しつつ,燃料消費を最小化することを目的としている。
この研究はまず,5種類の摂動の下でCOFC問題を解決するために,まず7つのトレーニングアプローチを用いた。
論文 参考訳（メタデータ） (2024-10-28T10:45:42Z) - EcoFollower: An Environment-Friendly Car Following Model Considering Fuel Consumption [9.42048156323799]
本研究では,自動車追従シナリオにおける燃料消費を最適化するために強化学習(RL)を用いて開発された新しいエコカー追従モデルであるEcoFollowerを紹介する。
このモデルは燃料消費を大幅に削減し、実際の運転シナリオと比較して10.42%削減した。
論文 参考訳（メタデータ） (2024-07-22T16:48:37Z) - 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) - CCE: Sample Efficient Sparse Reward Policy Learning for Robotic Navigation via Confidence-Controlled Exploration [72.24964965882783]
CCE (Confidence-Controlled Exploration) は、ロボットナビゲーションのようなスパース報酬設定のための強化学習アルゴリズムのトレーニングサンプル効率を高めるために設計された。
CCEは、勾配推定と政策エントロピーの間の新しい関係に基づいている。
我々は、CCEが一定軌跡長とエントロピー正規化を用いる従来の手法より優れるシミュレーションおよび実世界の実験を通して実証する。
論文 参考訳（メタデータ） (2023-06-09T18:45:15Z) - Driver Assistance Eco-driving and Transmission Control with Deep
Reinforcement Learning [2.064612766965483]
本稿では, モデルフリー深部強化学習(RL)制御エージェントを提案する。
燃料消費を他の運転者の収容目標と交換し、最適な牽引トルクと伝達シフトポリシーを経験から学習する。
燃料効率テーブルの知識を十分に備えたベースラインコントローラと比較して, 燃料消費量の最小化に優れた性能を示す。
論文 参考訳（メタデータ） (2022-12-15T02:52:07Z) - Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian
Processes [57.70237375696411]
入力不確実性を伴う潮流方程式をモデル化するために,スパースプロセスとハイブリッドガウスプロセス(GP)フレームワークを用いた高速データ駆動構成を提案する。
提案手法の有効性は,複数のIEEEテストケースに対して,最大2倍の高速かつ高精度な解を示す数値的な研究によって主張する。
論文 参考訳（メタデータ） (2022-08-30T09:27:59Z) - Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。
本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。
GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
論文 参考訳（メタデータ） (2022-07-21T23:02:35Z) - A new Hyper-heuristic based on Adaptive Simulated Annealing and
Reinforcement Learning for the Capacitated Electric Vehicle Routing Problem [9.655068751758952]
都市部では環境汚染と地球温暖化を減らすために電気自動車(EV)が採用されている。
社会と経済の持続可能性に影響を与え続けているラストマイルロジスティクスの軌道をルーティングするのにはまだ不足がある。
本稿では,高ヒューリスティック適応アニーリングと強化学習というハイパーヒューリスティックなアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-07T11:10:38Z) - 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) - 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) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。