基于强化学习的车辆座舱热舒适控制
人工智能
2017-09-06 v2
摘要
车辆气候控制系统旨在保持乘客的热舒适性。然而，当前系统控制的是温度而非热舒适性，且往往能耗较高，这对电动汽车而言尤为值得关注。本文将节能型车辆舒适控制建模为马尔可夫决策过程，然后使用Sarsa(λ)和经验验证的单区一维座舱热模型进行数值求解。在200个随机选取的场景下进行仿真测试，结果表明，所提出的控制器性能分别优于bang-bang控制器、比例控制器、简单模糊逻辑控制器和商业控制器，提升幅度分别为23%、43%、40%和56%。与次优控制器相比，能耗降低13%，同时热舒适时间比例增加23%。这些结果表明，这是一种可行的方法，有望在汽车中转化为显著的舒适性和能效提升。
引用
@article{arxiv.1704.07899,
title = {Reinforcement Learning-based Thermal Comfort Control for Vehicle Cabins},
author = {James Brusey and Diana Hintea and Elena Gaura and Neil Beloe},
journal= {arXiv preprint arXiv:1704.07899},
year = {2017}
}