• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>PLoS Clinical Trials >Implementation of real-time energy management strategy based on reinforcement learning for hybrid electric vehicles and simulation validation
【2h】

Implementation of real-time energy management strategy based on reinforcement learning for hybrid electric vehicles and simulation validation

机译：基于强化学习的混合动力电动汽车实时能源管理策略的实现与仿真验证

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

To further improve the fuel economy of series hybrid electric tracked vehicles, a reinforcement learning (RL)-based real-time energy management strategy is developed in this paper. In order to utilize the statistical characteristics of online driving schedule effectively, a recursive algorithm for the transition probability matrix (TPM) of power-request is derived. The reinforcement learning (RL) is applied to calculate and update the control policy at regular time, adapting to the varying driving conditions. A facing-forward powertrain model is built in detail, including the engine-generator model, battery model and vehicle dynamical model. The robustness and adaptability of real-time energy management strategy are validated through the comparison with the stationary control strategy based on initial transition probability matrix (TPM) generated from a long naturalistic driving cycle in the simulation. Results indicate that proposed method has better fuel economy than stationary one and is more effective in real-time control.
机译：为了进一步提高串联混合动力履带式车辆的燃油经济性，本文开发了一种基于强化学习（RL）的实时能源管理策略。为了有效利用在线行车时刻表的统计特性，推导了动力请求过渡概率矩阵（TPM）的递归算法。强化学习（RL）应用于定期计算和更新控制策略，以适应变化的驾驶条件。详细构建了面向前的动力总成模型，包括发动机-发电机模型，电池模型和车辆动力学模型。通过基于仿真中长自然驾驶周期生成的初始过渡概率矩阵（TPM），通过与静态控制策略进行比较，验证了实时能源管理策略的鲁棒性和适应性。结果表明，所提出的方法具有比固定方法更好的燃油经济性，并且在实时控制中更有效。

著录项

  • 期刊名称 PLoS Clinical Trials
  • 作者

    Zehui Kong; Yuan Zou; Teng Liu;

  • 作者单位
  • 年(卷),期 2011(12),7
  • 年度 2011
  • 页码 e0180491
  • 总页数 16
  • 原文格式 PDF
  • 正文语种
  • 中图分类
  • 关键词

  • 入库时间 2022-08-17 12:36:00

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号