电动汽车中基于 AI 的能量管理实证分析：以强化学习为例
人工智能
2022-12-20 v1 机器学习
摘要
基于强化学习（RL-based）的能量管理策略（EMS）被认为是具有多个动力源的电动汽车能量管理的一种有前景的解决方案。在能量管理问题中，它已被证明在节能和实时性能方面优于传统方法。然而，以往的研究并未系统地审视基于 RL 的 EMS 的基本要素。本文对插电式混合动力电动汽车（PHEV）和燃料电池电动汽车（FCEV）中的基于 RL 的 EMS 进行了实证分析。该实证分析从四个方面展开：算法、感知与决策粒度、超参数以及奖励函数。结果表明，与其他算法相比，异策略（Off-policy）算法能在完整驾驶循环内有效地得出更节能的解决方案。提高感知与决策粒度并不能产生更理想的节能方案，但能更好地平衡电池功率与燃料消耗。基于瞬时荷电状态（SOC）变化的等效能量优化目标对参数敏感，并能帮助 RL-EMS 实现更高效的能量成本策略。
引用
@article{arxiv.2212.09154,
title = {Empirical Analysis of AI-based Energy Management in Electric Vehicles: A Case Study on Reinforcement Learning},
author = {Jincheng Hu and Yang Lin and Jihao Li and Zhuoran Hou and Dezong Zhao and Quan Zhou and Jingjing Jiang and Yuanjian Zhang},
journal= {arXiv preprint arXiv:2212.09154},
year = {2022}
}