强化学习在多电源源电动汽车能量管理中的进展与综述
机器学习
2022-11-09 v1 信号处理
应用物理
摘要
内燃机（ICE）引起的高排放与低能效在环境法规与能源危机下已不可接受。作为一种有前景的替代方案，多电源电动汽车（MPS-EV）引入不同清洁能源系统以提升动力总成效率。能量管理策略（EMS）是 MPS-EV 用以最大化效率、燃油经济性与续驶里程的关键技术。强化学习（RL）已成为开发 EMS 的有效方法。RL 持续受到关注与研究，但仍缺乏对基于 RL 的 EMS 设计要素的系统分析。为此，本文对基于 RL 的 EMS（RL-EMS）当前研究进行深入分析，并总结其设计要素。本文首先从算法、感知方案、决策方案、奖励函数与创新训练方法五个方面总结 RL 在 EMS 中的以往应用。展示了先进算法对训练效果的贡献，详细分析了文献中的感知与控制方案，对不同的奖励函数设置进行分类，并阐述创新训练方法及其作用。最后，通过比较 RL 与 RL-EMS 的发展路线，本文指出了先进 RL 方案与现有 RL-EMS 之间的差距。最后，本文提出了在 EMS 中实现先进人工智能（AI）方案的潜在发展方向。
引用
@article{arxiv.2211.04001,
title = {Progress and summary of reinforcement learning on energy management of MPS-EV},
author = {Jincheng Hu and Yang Lin and Liang Chu and Zhuoran Hou and Jihan Li and Jingjing Jiang and Yuanjian Zhang},
journal= {arXiv preprint arXiv:2211.04001},
year = {2022}
}