CN112287463A - 一种基于深度强化学习算法的燃料电池汽车能量管理方法 - Google Patents

一种基于深度强化学习算法的燃料电池汽车能量管理方法 Download PDF

Info

Publication number
CN112287463A
CN112287463A CN202011212191.XA CN202011212191A CN112287463A CN 112287463 A CN112287463 A CN 112287463A CN 202011212191 A CN202011212191 A CN 202011212191A CN 112287463 A CN112287463 A CN 112287463A
Authority
CN
China
Prior art keywords
fuel cell
energy management
lithium ion
ion battery
efficiency
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011212191.XA
Other languages
English (en)
Other versions
CN112287463B (zh
Inventor
唐小林
周海涛
邓忠伟
胡晓松
李佳承
陈佳信
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202011212191.XA priority Critical patent/CN112287463B/zh
Publication of CN112287463A publication Critical patent/CN112287463A/zh
Application granted granted Critical
Publication of CN112287463B publication Critical patent/CN112287463B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • G06F30/15Vehicle, aircraft or watercraft design
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fuel Cell (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明涉及一种基于深度强化学习算法的燃料电池汽车能量管理方法,属于新能源汽车领域。该方法包括:S1:获取燃料电池汽车状态信息;S2:搭建燃料电池汽车能量管理系统模型;S3:利用深度强化学习算法构建燃料电池汽车能量管理策略,求解包含燃油经济性以及燃料电池效率的多目标优化问题,从而得出最优能量分配结果。本发明将深度强化学习算法应用于燃料电池汽车能量管理制,具有良好的优化性以及实时性;同时在奖励函数中考虑了燃料电池的工作效率,为能量管理提供了新思路。

Description

一种基于深度强化学习算法的燃料电池汽车能量管理方法
技术领域
本发明属于新能源汽车领域,涉及一种基于深度强化学习(DQN)算法的燃料电池汽车能量管理方法。
背景技术
目前,传统汽车面临着环境污染、全球变暖、石油资源有限等问题,使得汽车制造商将注意力转向混合动力汽车、电动汽车和燃料电池汽车的研究。混合动力汽车作为从传统汽车向未来清洁汽车的过渡车型,通常由储能系统、电动机和内燃机组成,这些部件仍然消耗燃料油并产生污染。同时,由于电池和电动机组成的电动汽车行驶距离有限,充电时间长,已成为其商业化的一大障碍。因此,随着燃料电池技术的发展,零排放、长里程、高耐久性的燃料电池汽车(Fuel cell vehicle,FCV)越来越受到汽车制造商的重视。
燃料电池汽车作为当前最有发展前景的新能源汽车之一,针对其能量管理问题,学者们提出了许多的能量管理控制方法,大致可以分为两类:基于规则的能量管理策略与基于优化的能量管理策略。其中,基于规则的能量管理包括状态机控制、模糊逻辑控制等,基于优化的能量管理策略包括基于全局优化的能量管理策略(动态规划)以及基于局部优化的能量管理策略(庞特里亚金最小原则,等效消耗最小策略以及模型预测控制等)。然而,以上提及的能量管理策略很难同时满足实时性与最优性,例如:基于规则与基于局部优化的能量管理虽然能够应用于实时控制,但是其最优性无法保证;基于全局优化的能量管理策略,虽然能够获取全局最优解,但是计算量过大致使无法应用于实车的实时控制。因此,亟需一种新的燃料电池汽车能量管理方法来满足燃料电池汽车对实时性与最优性的要求。
发明内容
有鉴于此,本发明的目的在于提供一种基于深度强化学习算法的燃料电池汽车能量管理方法,使用深度强化学习(DQN)算法作为优化算法来提高燃料电池汽车整体的经济性,同时保证燃料电池工作在较高的效率。
为达到上述目的,本发明提供如下技术方案:
一种基于深度强化学习算法的燃料电池汽车能量管理方法,包括以下步骤:
S1:获取燃料电池汽车状态信息;
S2:搭建燃料电池汽车能量管理系统模型;
S3:利用深度强化学习(Deep Q-learning,DQN)算法构建燃料电池汽车能量管理策略,求解包含燃油经济性以及燃料电池效率的多目标优化问题,得出最优能量分配结果。
进一步,步骤S1中,所述燃料电池汽车状态信息包括:
车辆状态信息,包括:车辆的速度、电机转速、电机效率以及传动系统;
燃料电池状态信息,包括:燃料电池的功率、效率以及氢耗;
锂离子电池状态信息,包括:锂离子电池电流、电压、内阻以及SOC。
进一步,步骤S2中,搭建燃料电池汽车能量管理系统模型,具体包括以下步骤:
S21:搭建整车模型;
S22:搭建燃料电池氢耗模型以及效率模型;
S23:搭建锂离子电池模型。
更进一步,步骤S21中,搭建的整车模型为:
Figure BDA0002759159430000021
其中,Pdem为需求功率,mv为车辆的重量,ηmotor为电机效率,v为速度,Fa为空气阻力,Fr为滚动摩擦,Fg为坡度阻力;
Pdem=Pfc+Pbat
其中,Pfc为燃料电池功率,Pbat为锂离子电池功率。
更进一步,步骤S22中,搭建的燃料电池氢耗模型为:
Figure BDA0002759159430000022
其中,
Figure BDA0002759159430000023
为氢耗量,
Figure BDA0002759159430000024
为氢的低热值,ηfc为燃料电池效率;
搭建的燃料电池效率模型为:
Figure BDA0002759159430000025
其中,
Figure BDA0002759159430000026
为与燃料电池氢耗相关的理论功率。
更进一步,步骤S23中,搭建的锂离子电池模型为:
Figure BDA0002759159430000027
其中,Ibat为锂离子电池电流,Voc为锂离子电池开路电压,Rbat为锂离子电池内阻;
Figure BDA0002759159430000031
其中,SOCbat—为下一时刻锂离子电池的荷电状态,SOCbat为当前时刻锂离子电池的荷电状态,ηbat为锂离子电池效率,Qbat为锂离子电池容量。
进一步,所述步骤S3具体包括以下步骤:
S31:设当前状态S={Pfc,w,SOC},其中S为包含所有状态的状态集,Pfc为燃料电池的功率,w为燃料电池汽车的转速,SOC为锂离子电池的荷电状态;
S32:在深度强化学习算法中,智能体以当前状态S根据ε-贪婪算法选择动作,即以概率ε对动作集A进行随机选择,否则选择以当前状态S为输入的Q网络的输出最大值选择动作;动作集A={ΔPfc},其中ΔPfc为燃料电池功率变化;
S33:在智能体采取动作后,获得相应的奖励,奖励函数R定义为:
Figure BDA0002759159430000032
其中,α,β,γ为权重系数;在深度强化学习算法中,智能体会尽量选取可以获得较大奖励值的动作执行。进而,通过调整权重系数来实现燃料电池的氢消耗最小,锂离子电池始终以SOC的变化最小以及燃料电池的工作效率最大达到平衡;
S34:智能体在采取动作后,获得相应的奖励并且进入下一状态S_,储存经验样本{S,A,R,S_}到经验池中,在经验池中的样本数储存到一定数量;从经验池中随机抽取小批量的储存经验样本,计算每一个状态的目标值,智能体通过执行动作后获得的奖励更新Q值作为DQN算法的目标值;目标值函数yi表示为:
Figure BDA0002759159430000033
其中,Rj为奖励值,λ为学习率,Q(Sj+1,A′,θ)为在下一状态时所对应的Q值函数,θ为神经网络的权重参数;
S35:根据步骤S34获得的目标值,再根据当前状态获取评估值,然后使用均方误差作为神经网络的损失函数,损失函数表示为:
L(θ)=E[(yi-Q(S,A,θ))2]
其中,E[·]表示期望,Q(S,A,θ)为当前状态下的评估Q值函数,然后利用梯度下降法对神经网络的权重参数θ进行更新。
更进一步,步骤S34、S35中,Q值函数在强化学习中主要用来评估当前智能体在当前状态下选择的动作的好坏程度,在DQN算法中对应于以当前状态为输入的神经网络的输出值。
本发明的有益效果在于:
1)本发明采用了深度强化学习算法进行能量管理,实现了能量管理策略的实时性与最优性;
2)本发明摆脱了传统能量管理策略对路况的依赖性,通过不断的学习,实现对不同路况的自适性;
3)本发明在考虑氢消耗最小的同时,使得燃料电池的效率尽可能高,并且SOC的变化始终维持在初始值附近。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明燃料电池汽车能量管理方法的流程图;
图2为燃料电池汽车动力系统结构示意图;
图3为本发明中利用DQN算法实现燃料电池汽车的能量管理的流程框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图3,本发明提供了一种兼顾燃料电池效率以及燃料电池汽车氢耗的能量管理控制方法,通过使用深度强化学习算法,实现该策略的实时性以及最优性,优化了燃料电池的工作效率以及整车的氢消耗。如图1所示,该方法具体包括以下步骤:
S1:获取燃料电池汽车状态信息,具体包括:
车辆状态信息包括:车辆的速度、电机转速、电机效率,传动系统。燃料电池状态信息包括:燃料电池的功率、效率以及氢耗。锂离子电池状态信息包括:锂离子电池电流、电压、内阻以及SOC。
S2:建立燃料电池汽车能量管理系统模型,如图2所示,具体包括以下步骤:
S21:搭建整车模型:
Figure BDA0002759159430000051
其中,Pdem为需求功率,mv为车辆的重量,ηmotor为电机效率,v为速度,Fa为空气阻力,Fr为滚动摩擦,Fg为坡度阻力。
Pdem=Pfc+Pbat
其中,Pfc为燃料电池功率,Pbatt为锂离子电池功率。
S22:搭建燃料电池氢耗模型以及效率模型:
Figure BDA0002759159430000052
其中,
Figure BDA0002759159430000053
为氢耗量,
Figure BDA0002759159430000054
为氢的低热值,ηfc为燃料电池效率。
Figure BDA0002759159430000055
其中,
Figure BDA0002759159430000056
为与燃料电池氢耗相关的理论功率。
S23:搭建锂离子电池模型:
Figure BDA0002759159430000058
其中,Ibat为锂离子电池电流,Voc为锂离子电池开路电压,Rbat为锂离子电池内阻。
Figure BDA0002759159430000057
其中,SOCbat—为下一时刻锂离子电池的荷电状态,SOCbat为当前时刻锂离子电池的荷电状态,ηbat为锂离子电池效率,,Qbat为锂离子电池容量。
S3:利用DQN算法构建燃料电池汽车能量管理策略,求解包含燃油经济性以及燃料电池效率的多目标优化问题,得出最优能量分配结果。
利用DQN算法实现燃料电池汽车的能量管理,降低燃料电池的氢消耗并使得燃料电池尽可能的工作在高效率区。其中深度强化学习算法—DQN模型如图3所示,DQN模型具体为:
S31:状态S={Pfc,w,SOC},其中S为包含所有状态的状态集,Pfc为燃料电池功率,w为车辆的转速。
S32:在深度强化学习中,Agent根据状态S选择动作A={ΔPfc},其中A包含所有的动作集,ΔPfc为燃料电池变化功率。
S33:在智能体采取动作后,获得相应的奖励,奖励函数R定义为:
Figure BDA0002759159430000061
其中,α,β,γ为权重系数。在DQN算法中,智能体会尽量选取可以获得较大奖励值的动作执行。进而,通过调整权重系数来实现燃料电池的氢消耗最小,锂离子电池始终SOC的变化最小以及燃料电池的工作效率最大的平衡。
S34:智能体在采取动作后,获得相应的奖励并且进入下一状态S_,储存经验样本{S,A,R,S_}到经验池中,在经验池中的样本数储存到一定数量。从经验池中随机抽取小批量的储存经验样本,计算每一个状态的目标值,智能体通过执行动作后获得的奖励更新Q值作为DQN算法的目标值。目标值函数yi表示为:
Figure BDA0002759159430000062
其中,Rj为奖励值,λ为学习率,Q(Sj+1,A,θ)为在下一状态时所对应的Q值函数,θ为神经网络的权重参数。
S35:根据S34获得的目标值,再根据当前状态获取评估值,然后使用均方误差作为神经网络的损失函数,损失函数表示为:
L(θ)=E[(yi-Q(S,A,θ))2]
其中,E[·]表示期望,Q(S,A,θ)为当前状态下的评估Q值函数,然后利用梯度下降法对神经网络的权重参数θ进行更新。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于深度强化学习算法的燃料电池汽车能量管理方法,其特征在于,该方法包括以下步骤:
S1:获取燃料电池汽车状态信息;
S2:搭建燃料电池汽车能量管理系统模型;
S3:利用深度强化学习(Deep Q-learning,DQN)算法构建燃料电池汽车能量管理策略,求解包含燃油经济性以及燃料电池效率的多目标优化问题,从而得出最优能量分配结果。
2.根据权利要求1所述的燃料电池汽车能量管理方法,其特征在于,步骤S1中,所述燃料电池汽车状态信息包括:
车辆状态信息,包括:车辆的速度、电机转速、电机效率以及传动系统;
燃料电池状态信息,包括:燃料电池的功率、效率以及氢耗;
锂离子电池状态信息,包括:锂离子电池电流、电压、内阻以及SOC。
3.根据权利要求2所述的燃料电池汽车能量管理方法,其特征在于,步骤S2中,搭建燃料电池汽车能量管理系统模型,具体包括以下步骤:
S21:搭建整车模型;
S22:搭建燃料电池氢耗模型以及效率模型;
S23:搭建锂离子电池模型。
4.根据权利要求3所述的燃料电池汽车能量管理方法,其特征在于,步骤S21中,搭建的整车模型为:
Figure FDA0002759159420000011
其中,Pdem为需求功率,mv为车辆的重量,ηmotor为电机效率,v为速度,Fa为空气阻力,Fr为滚动摩擦,Fg为坡度阻力;
Pdem=Pfc+Pbat
其中,Pfc为燃料电池功率,Pbat为锂离子电池功率。
5.根据权利要求4所述的燃料电池汽车能量管理方法,其特征在于,步骤S22中,搭建的燃料电池氢耗模型为:
Figure FDA0002759159420000012
其中,
Figure FDA0002759159420000021
为氢耗量,
Figure FDA0002759159420000022
为氢的低热值,ηfc为燃料电池效率;
搭建的燃料电池效率模型为:
Figure FDA0002759159420000023
其中,
Figure FDA0002759159420000024
为与燃料电池氢耗相关的理论功率。
6.根据权利要求5所述的燃料电池汽车能量管理方法,其特征在于,步骤S23中,搭建的锂离子电池模型为:
Figure FDA0002759159420000025
其中,Ibat为锂离子电池电流,Voc为锂离子电池开路电压,Rbat为锂离子电池内阻;
Figure FDA0002759159420000026
其中,SOCbat-为下一时刻锂离子电池的荷电状态,SOCbat为当前时刻锂离子电池的荷电状态,ηbat为锂离子电池效率,Qbat为锂离子电池容量。
7.根据权利要求6所述的燃料电池汽车能量管理方法,其特征在于,所述步骤S3具体包括以下步骤:
S31:设当前状态S={Pfc,w,SOC},其中S为包含所有状态的状态集,Pfc为燃料电池的功率,w为燃料电池汽车的转速,SOC为锂离子电池的荷电状态;
S32:在深度强化学习算法中,智能体以当前状态S根据ε-贪婪算法选择动作,即以概率ε对动作集A进行随机选择,否则选择以当前状态S为输入的Q网络的输出最大值选择动作;动作集A={ΔPfc},其中ΔPfc为燃料电池功率变化;
S33:在智能体采取动作后,获得相应的奖励,奖励函数R定义为:
Figure FDA0002759159420000027
其中,α,β,γ为权重系数;通过调整权重系数来实现燃料电池的氢消耗最小,锂离子电池始终以SOC的变化最小以及燃料电池的工作效率最大达到平衡;
S34:智能体在采取动作后,获得相应的奖励并且进入下一状态S_,储存经验样本{S,A,R,S_}到经验池中;从经验池中随机抽取储存经验样本,计算每一个状态的目标值,智能体通过执行动作后获得的奖励更新Q值作为DQN算法的目标值;目标值函数yi表示为:
Figure FDA0002759159420000031
其中,Rj为奖励值,λ为学习率,Q(Sj+1,A′,θ)为在下一状态时所对应的Q值函数,θ为神经网络的权重参数;
S35:根据步骤S34获得的目标值,再根据当前状态获取评估值,然后使用均方误差作为神经网络的损失函数,损失函数表示为:
L(θ)=E[(yi-Q(S,A,θ))2]
其中,E[·]表示期望,Q(S,A,θ)为当前状态下的评估Q值函数,然后利用梯度下降法对神经网络的权重参数θ进行更新。
CN202011212191.XA 2020-11-03 2020-11-03 一种基于深度强化学习算法的燃料电池汽车能量管理方法 Active CN112287463B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011212191.XA CN112287463B (zh) 2020-11-03 2020-11-03 一种基于深度强化学习算法的燃料电池汽车能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011212191.XA CN112287463B (zh) 2020-11-03 2020-11-03 一种基于深度强化学习算法的燃料电池汽车能量管理方法

Publications (2)

Publication Number Publication Date
CN112287463A true CN112287463A (zh) 2021-01-29
CN112287463B CN112287463B (zh) 2022-02-11

Family

ID=74350917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011212191.XA Active CN112287463B (zh) 2020-11-03 2020-11-03 一种基于深度强化学习算法的燃料电池汽车能量管理方法

Country Status (1)

Country Link
CN (1) CN112287463B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989699A (zh) * 2021-03-12 2021-06-18 重庆交通大学 基于深度强化学习的新能源汽车性能评价方法
CN113022385A (zh) * 2021-05-28 2021-06-25 北京理工大学 燃料电池锂电池混合动力系统参数匹配方法
CN113085665A (zh) * 2021-05-10 2021-07-09 重庆大学 一种基于td3算法的燃料电池汽车能量管理方法
CN113110052A (zh) * 2021-04-15 2021-07-13 浙大宁波理工学院 一种基于神经网络和强化学习的混合能量管理方法
CN113263960A (zh) * 2021-06-28 2021-08-17 太原理工大学 一种氢燃料电池汽车自适应能量管理方法
CN113492727A (zh) * 2021-08-20 2021-10-12 重庆交通职业学院 一种基于empc的燃料电池混合动力系统控制方法
CN113506901A (zh) * 2021-06-08 2021-10-15 北京格睿能源科技有限公司 燃料电池系统动态性能预测方法及装置
CN113511082A (zh) * 2021-05-31 2021-10-19 深圳先进技术研究院 基于规则和双深度q网络的混合动力汽车能量管理方法
CN113721154A (zh) * 2021-08-31 2021-11-30 潍柴动力股份有限公司 一种燃料电池工况点选取方法及装置
CN114103971A (zh) * 2021-11-23 2022-03-01 北京理工大学 一种燃料电池汽车节能驾驶优化方法及装置
CN114475569A (zh) * 2022-03-25 2022-05-13 重庆大学 基于交通信息与深度强化学习的混合动力汽车能量管理方法
CN115179779A (zh) * 2022-07-22 2022-10-14 福州大学 融合道路多维信息空间化的智能驾驶燃料电池车控制方法
CN115503559A (zh) * 2022-11-07 2022-12-23 重庆大学 考虑空调系统的燃料电池汽车学习型协同能量管理方法
CN117184095A (zh) * 2023-10-20 2023-12-08 燕山大学 基于深度强化学习的混合动力电动车系统控制方法

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030105562A1 (en) * 2001-11-30 2003-06-05 Industrial Technology Research Institute Power output control system for electric vehicle with hybrid fuel cell
CN104590266A (zh) * 2014-12-17 2015-05-06 中国科学院深圳先进技术研究院 一种评价混合动力汽车燃油消耗量的方法及装置
US20180186452A1 (en) * 2017-01-04 2018-07-05 Beijing Deephi Technology Co., Ltd. Unmanned Aerial Vehicle Interactive Apparatus and Method Based on Deep Learning Posture Estimation
CN108427985A (zh) * 2018-01-02 2018-08-21 北京理工大学 一种基于深度强化学习的插电式混合动力车辆能量管理方法
CN109657194A (zh) * 2018-12-04 2019-04-19 浙江大学宁波理工学院 一种基于Q-learning和规则的混合动力车辆运行实时能源管理方法
CN110254418A (zh) * 2019-06-28 2019-09-20 福州大学 一种混合动力汽车增强学习能量管理控制方法
US20190329772A1 (en) * 2018-04-27 2019-10-31 Daniel Mark Graves Method and system for adaptively controlling object spacing
US20190339087A1 (en) * 2018-05-03 2019-11-07 Didi Research America, Llc Deep reinforcement learning for optimizing carpooling policies
CN110481536A (zh) * 2019-07-03 2019-11-22 中国科学院深圳先进技术研究院 一种应用于混合动力汽车的控制方法及设备
US20200011932A1 (en) * 2018-07-05 2020-01-09 Nec Laboratories America, Inc. Battery capacity fading model using deep learning
US20200063681A1 (en) * 2018-08-21 2020-02-27 Cummins Inc. Deep reinforcement learning for air handling and fuel system referencing
CN111209633A (zh) * 2020-01-09 2020-05-29 重庆大学 一种插电式混合动力汽车传动系统的评价与参数优化方法
US20200174471A1 (en) * 2018-11-30 2020-06-04 Denso International America, Inc. Multi-Level Collaborative Control System With Dual Neural Network Planning For Autonomous Vehicle Control In A Noisy Environment
CN111267830A (zh) * 2020-02-10 2020-06-12 南京航空航天大学 一种混合动力公交车能量管理方法、设备和存储介质
CN111409510A (zh) * 2020-03-26 2020-07-14 河南科技大学 一种氢燃料电池混合动力汽车的能量管理方法
CN111459025A (zh) * 2020-03-26 2020-07-28 河南科技大学 一种运用粒子算法优化的复合电源电动汽车功率分配策略
CN111547039A (zh) * 2020-05-13 2020-08-18 北京理工大学 基于深度强化学习的混合动力车辆油门控制方法及系统
CN111584906A (zh) * 2020-04-29 2020-08-25 南京航空航天大学 一种基于深度强化学习的燃料电池系统的燃料供给方法
CN111731303A (zh) * 2020-07-09 2020-10-02 重庆大学 一种基于深度强化学习a3c算法的hev能量管理方法
CN111736462A (zh) * 2020-04-21 2020-10-02 河南科技大学 一种燃料电池汽车最优氢耗控制方法
CN111845701A (zh) * 2020-08-05 2020-10-30 重庆大学 一种跟车环境下基于深度强化学习的hev能量管理方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030105562A1 (en) * 2001-11-30 2003-06-05 Industrial Technology Research Institute Power output control system for electric vehicle with hybrid fuel cell
CN104590266A (zh) * 2014-12-17 2015-05-06 中国科学院深圳先进技术研究院 一种评价混合动力汽车燃油消耗量的方法及装置
US20180186452A1 (en) * 2017-01-04 2018-07-05 Beijing Deephi Technology Co., Ltd. Unmanned Aerial Vehicle Interactive Apparatus and Method Based on Deep Learning Posture Estimation
CN108427985A (zh) * 2018-01-02 2018-08-21 北京理工大学 一种基于深度强化学习的插电式混合动力车辆能量管理方法
US20190329772A1 (en) * 2018-04-27 2019-10-31 Daniel Mark Graves Method and system for adaptively controlling object spacing
US20190339087A1 (en) * 2018-05-03 2019-11-07 Didi Research America, Llc Deep reinforcement learning for optimizing carpooling policies
US20200011932A1 (en) * 2018-07-05 2020-01-09 Nec Laboratories America, Inc. Battery capacity fading model using deep learning
US20200063681A1 (en) * 2018-08-21 2020-02-27 Cummins Inc. Deep reinforcement learning for air handling and fuel system referencing
US20200174471A1 (en) * 2018-11-30 2020-06-04 Denso International America, Inc. Multi-Level Collaborative Control System With Dual Neural Network Planning For Autonomous Vehicle Control In A Noisy Environment
CN109657194A (zh) * 2018-12-04 2019-04-19 浙江大学宁波理工学院 一种基于Q-learning和规则的混合动力车辆运行实时能源管理方法
CN110254418A (zh) * 2019-06-28 2019-09-20 福州大学 一种混合动力汽车增强学习能量管理控制方法
CN110481536A (zh) * 2019-07-03 2019-11-22 中国科学院深圳先进技术研究院 一种应用于混合动力汽车的控制方法及设备
CN111209633A (zh) * 2020-01-09 2020-05-29 重庆大学 一种插电式混合动力汽车传动系统的评价与参数优化方法
CN111267830A (zh) * 2020-02-10 2020-06-12 南京航空航天大学 一种混合动力公交车能量管理方法、设备和存储介质
CN111409510A (zh) * 2020-03-26 2020-07-14 河南科技大学 一种氢燃料电池混合动力汽车的能量管理方法
CN111459025A (zh) * 2020-03-26 2020-07-28 河南科技大学 一种运用粒子算法优化的复合电源电动汽车功率分配策略
CN111736462A (zh) * 2020-04-21 2020-10-02 河南科技大学 一种燃料电池汽车最优氢耗控制方法
CN111584906A (zh) * 2020-04-29 2020-08-25 南京航空航天大学 一种基于深度强化学习的燃料电池系统的燃料供给方法
CN111547039A (zh) * 2020-05-13 2020-08-18 北京理工大学 基于深度强化学习的混合动力车辆油门控制方法及系统
CN111731303A (zh) * 2020-07-09 2020-10-02 重庆大学 一种基于深度强化学习a3c算法的hev能量管理方法
CN111845701A (zh) * 2020-08-05 2020-10-30 重庆大学 一种跟车环境下基于深度强化学习的hev能量管理方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
BIN XU .ETAL: "Ensemble Reinforcement Learning-Based Supervisory Control of Hybrid Electric Vehicle for Fuel Economy Improvement", 《IEEE TRANSACTIONS ON TRANSPORTATION ELECTRIFICATION》 *
CHANGHEE SONG .ETAL: "A Power Management Strategy for Parallel PHEV Using Deep Q-Networks", 《IEEE》 *
张向荣 等: "《人工智能前沿技术丛书 模式识别》", 30 September 2019, 西安电子科技大学出版社 *
张风奇 等: "混合动力汽车模型预测能量管理研究现状与展望", 《机械工程学报》 *
杨世彦 等: "《串联储能电源能量变换与均衡技术》", 3 January 2014, 哈尔滨工业大学出版社 *
肖浚仿: "《纯电动轿车基础》", 30 April 2018, 湖北科学技术出版社 *
郑春花 等: "强化学习在混合动力汽车能量管理方面的应用", 《强化学习在混合动力汽车能量管理方面的应用 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989699B (zh) * 2021-03-12 2022-05-24 重庆交通大学 基于深度强化学习的新能源汽车性能评价方法
CN112989699A (zh) * 2021-03-12 2021-06-18 重庆交通大学 基于深度强化学习的新能源汽车性能评价方法
CN113110052A (zh) * 2021-04-15 2021-07-13 浙大宁波理工学院 一种基于神经网络和强化学习的混合能量管理方法
CN113110052B (zh) * 2021-04-15 2022-07-26 浙大宁波理工学院 一种基于神经网络和强化学习的混合能量管理方法
CN113085665A (zh) * 2021-05-10 2021-07-09 重庆大学 一种基于td3算法的燃料电池汽车能量管理方法
CN113022385A (zh) * 2021-05-28 2021-06-25 北京理工大学 燃料电池锂电池混合动力系统参数匹配方法
CN113022385B (zh) * 2021-05-28 2021-08-10 北京理工大学 燃料电池锂电池混合动力系统参数匹配方法
WO2022252559A1 (zh) * 2021-05-31 2022-12-08 深圳先进技术研究院 基于规则和双深度q网络的混合动力汽车能量管理方法
CN113511082A (zh) * 2021-05-31 2021-10-19 深圳先进技术研究院 基于规则和双深度q网络的混合动力汽车能量管理方法
CN113506901A (zh) * 2021-06-08 2021-10-15 北京格睿能源科技有限公司 燃料电池系统动态性能预测方法及装置
CN113506901B (zh) * 2021-06-08 2022-07-12 北京格睿能源科技有限公司 燃料电池系统动态性能预测方法及装置
CN113263960B (zh) * 2021-06-28 2022-08-19 太原理工大学 一种氢燃料电池汽车自适应能量管理方法
CN113263960A (zh) * 2021-06-28 2021-08-17 太原理工大学 一种氢燃料电池汽车自适应能量管理方法
CN113492727B (zh) * 2021-08-20 2022-07-19 重庆交通职业学院 一种基于empc的燃料电池混合动力系统控制方法
CN113492727A (zh) * 2021-08-20 2021-10-12 重庆交通职业学院 一种基于empc的燃料电池混合动力系统控制方法
CN113721154A (zh) * 2021-08-31 2021-11-30 潍柴动力股份有限公司 一种燃料电池工况点选取方法及装置
CN114103971A (zh) * 2021-11-23 2022-03-01 北京理工大学 一种燃料电池汽车节能驾驶优化方法及装置
CN114103971B (zh) * 2021-11-23 2023-10-10 北京理工大学 一种燃料电池汽车节能驾驶优化方法及装置
CN114475569A (zh) * 2022-03-25 2022-05-13 重庆大学 基于交通信息与深度强化学习的混合动力汽车能量管理方法
CN115179779A (zh) * 2022-07-22 2022-10-14 福州大学 融合道路多维信息空间化的智能驾驶燃料电池车控制方法
CN115503559A (zh) * 2022-11-07 2022-12-23 重庆大学 考虑空调系统的燃料电池汽车学习型协同能量管理方法
CN115503559B (zh) * 2022-11-07 2023-05-02 重庆大学 考虑空调系统的燃料电池汽车学习型协同能量管理方法
CN117184095A (zh) * 2023-10-20 2023-12-08 燕山大学 基于深度强化学习的混合动力电动车系统控制方法
CN117184095B (zh) * 2023-10-20 2024-05-14 燕山大学 基于深度强化学习的混合动力电动车系统控制方法

Also Published As

Publication number Publication date
CN112287463B (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN112287463B (zh) 一种基于深度强化学习算法的燃料电池汽车能量管理方法
CN112776673B (zh) 智能网联燃料电池汽车实时能量优化管理系统
CN108528436A (zh) 一种内外层嵌套的ecms多目标双层优化方法
CN111731303A (zh) 一种基于深度强化学习a3c算法的hev能量管理方法
CN103997091B (zh) 一种规模化电动汽车智能充电控制方法
CN105868942A (zh) 电动汽车的有序充电调度方法
CN110348595A (zh) 一种基于飞行数据的无人机混合推进系统能量管控方法
CN111409510A (zh) 一种氢燃料电池混合动力汽车的能量管理方法
CN111572369A (zh) 基于改进遗传算法的燃料电池混合动力汽车能量管理在线优化方法
CN113554337B (zh) 融合交通信息的插电式混动汽车能量管理策略构建方法
CN112180280A (zh) 一种考虑电池健康状态的混合动力汽车电池寿命优化方法
CN113815437B (zh) 燃料电池混合动力汽车的预测性能量管理方法
CN115416503A (zh) 基于智能网联的燃料电池混合动力汽车能量管理方法
Chen et al. Power reserve predictive control strategy for hybrid electric vehicle using recognition-based long short-term memory network
CN115476841A (zh) 一种基于改进多目标ddpg的插电式混动汽车能量管理方法
CN115793445A (zh) 一种基于多智能体深度强化学习的混合动力汽车控制方法
CN114347866B (zh) 一种基于vmd处理的燃料电池能量管理方法
Hu et al. Energy management optimization method of plug-in hybrid-electric bus based on incremental learning
CN110077389B (zh) 一种插电式混合动力电动汽车能量管理方法
CN116494839A (zh) 一种基于鲸鱼优化算法的燃料电池汽车能量管理方法
Huo et al. An improved soft actor-critic based energy management strategy of fuel cell hybrid electric vehicle
Li et al. Pedestrian-aware supervisory control system interactive optimization of connected hybrid electric vehicles via fuzzy adaptive cost map and bees algorithm
CN109878499A (zh) 混合动力车辆功率控制方法
CN116542137A (zh) 一种分布式资源协同调度的多智能体强化学习方法
Chang et al. An energy management strategy of deep reinforcement learning based on multi-agent architecture under self-generating conditions

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant