論文の概要: Data-driven modeling and supervisory control system optimization for plug-in hybrid electric vehicles
- arxiv url: http://arxiv.org/abs/2406.09082v1
- Date: Thu, 13 Jun 2024 13:04:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-14 17:54:00.199515
- Title: Data-driven modeling and supervisory control system optimization for plug-in hybrid electric vehicles
- Title（参考訳）: プラグインハイブリッド電気自動車におけるデータ駆動モデリングと監督制御システム最適化
- Authors: Hao Zhang, Nuo Lei, Boli Chen, Bingbing Li, Rulong Li, Zhi Wang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 16.348774515562678
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Learning-based intelligent energy management systems for plug-in hybrid electric vehicles (PHEVs) are crucial for achieving efficient energy utilization. However, their application faces system reliability challenges in the real world, which prevents widespread acceptance by original equipment manufacturers (OEMs). This paper begins by establishing a PHEV model based on physical and data-driven models, focusing on the high-fidelity training environment. It then proposes a real-vehicle application-oriented control framework, combining horizon-extended reinforcement learning (RL)-based energy management with the equivalent consumption minimization strategy (ECMS) to enhance practical applicability, and improves the flawed method of equivalent factor evaluation based on instantaneous driving cycle and powertrain states found in existing research. Finally, comprehensive simulation and hardware-in-the-loop validation are carried out which demonstrates the advantages of the proposed control framework in fuel economy over adaptive-ECMS and rule-based strategies. Compared to conventional RL architectures that directly control powertrain components, the proposed control method not only achieves similar optimality but also significantly enhances the disturbance resistance of the energy management system, providing an effective control framework for RL-based energy management strategies aimed at real-vehicle applications by OEMs.
- Abstract（参考訳）: 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。
しかし、それらのアプリケーションは実際の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いでいる。
本稿では,高忠実度トレーニング環境に着目し,物理モデルとデータ駆動モデルに基づくPHEVモデルの構築から始める。
そこで本研究では,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)を併用し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。
最後に,アダプティブECMSとルールベースの戦略に対して,燃料経済における制御フレームワークの利点を示す総合シミュレーションとハードウェア・イン・ザ・ループ・バリデーションを行う。
パワートレインコンポーネントを直接制御する従来のRLアーキテクチャと比較して、提案手法は同様の最適性を達成するだけでなく、エネルギー管理システムの耐障害性を著しく向上させ、OEMによる実車への適用を目的としたRLベースのエネルギー管理戦略の効果的な制御フレームワークを提供する。
関連論文リスト
- 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) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - 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) - 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) - 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) - 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) - 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) - Transfer Deep Reinforcement Learning-enabled Energy Management Strategy
for Hybrid Tracked Vehicle [8.327437591702163]
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。
論文 参考訳（メタデータ） (2020-07-16T23:39:34Z) - 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) - 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) - Information Theoretic Model Predictive Q-Learning [64.74041985237105]
本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。
バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
論文 参考訳（メタデータ） (2019-12-31T00:29:22Z)
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。