基于 Q-learning 策略的电池/超级电容电动汽车能耗与电池老化最小化
系统与控制
2020-10-28 v1 机器学习
系统与控制
摘要
推进系统电气化革命正在汽车工业中展开。电气化推进系统提高了能源效率并减少了对化石燃料的依赖。然而，电动汽车的电池在车辆运行期间经历退化过程。在电池/超级电容电动汽车中同时考虑电池退化和能耗的研究仍然缺乏。本研究提出一种基于 Q-learning 的策略，以最小化电池退化和能耗。除 Q-learning 外，还提出了两种启发式能量管理方法，并使用粒子群优化算法进行优化。首先给出了车辆推进系统模型，其中考虑了严重程度因子电池退化模型，并借助遗传算法进行了实验验证。在结果分析中，首先通过学习后的最优策略图解释了 Q-learning。然后，将无超级电容车辆的结果作为基线，与采用 Q-learning 及两种启发式方法作为能量管理策略的带超级电容车辆结果进行比较。在学习和验证驾驶循环中，结果表明，与无超级电容的基线车辆相比，Q-learning 策略使电池退化减缓 13–20%，并使车辆续驶里程增加 1.5–2%。
引用
@article{arxiv.2010.14115,
title = {Energy Consumption and Battery Aging Minimization Using a Q-learning Strategy for a Battery/Ultracapacitor Electric Vehicle},
author = {Bin Xu and Junzhe Shi and Sixu Li and Huayi Li and Zhe Wang},
journal= {arXiv preprint arXiv:2010.14115},
year = {2020}
}