文献

J-GLOBAL ID：201902228287441566   整理番号：19A2117310

広域電気配送車両のエネルギー管理のための深部強化学習フレームワーク【JST・京大機械翻訳】

A Deep Reinforcement Learning Framework for Energy Management of Extended Range Electric Delivery Vehicles

著者 (4件)： Wang Pengyue (University of Minnesota, Minneapolis, MN, 55455) ,  Li Yan (University of Minnesota, Minneapolis, MN, 55455) ,  Shekhar Shashi (University of Minnesota, Minneapolis, MN, 55455) ,  Northrop William F. (University of Minnesota, Minneapolis, MN, 55455)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： IV  ページ： 1837-1842  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ルールベース(RB)エネルギー管理戦略は,実装が容易で,将来のトリップに関する事前知識なしで使用できるので,ハイブリッド電気自動車で広く使われている。文献において,RB法で使用されるパラメータは,既知の駆動サイクルを用いて調整され,設計されている。有望な結果が示されているが,距離とエネルギー強度の有意なトリップ-トリップ差を持つラストマイル輸送車両の実際のトリップに対するこのようなサイクル特異的方法の適用は困難である。本論文では,強化学習法とRB戦略を用いて,ラストマイルパッケージ配信アプリケーションに使用される使用中の拡張範囲電気自動車(EREV)の燃料経済性を改善した。知的エージェントを,リアルタイム情報を用いてトリップの間のエンジン発電機制御論理におけるパラメータを調整するために,単一配信車両の歴史的トリップに関して訓練した。シミュレーション環境における実際の歴史的配信トリップについてこの方法を実証した。ガロンガソリン当量当たりの燃料効率改善における平均19.5%は,訓練に使用されない31マイルから54マイルまでの距離範囲で44試験トリップにおいて達成され,この方法を一般化する見込みがあることを実証した。提示したフレームワークは,類似のトリップが頻繁に毎日繰り返される輸送バスや通勤車のような他のRB法やEREV応用に拡張可能である。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 情報配布 ,  ハイブリッド自動車 ,  燃料経済 ,  *強化学習 ,  *エネルギー管理 ,  シミュレーション ,  ルールベース ,  通勤 ,  トリップ ,  電気自動車 ,  応用プログラム
準シソーラス用語： 省燃費 ,  実時間 ,  インテリジェントエージェント ,  事前知識 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 広域 ,  配送車両 ,  エネルギー管理 ,  深部 ,  強化学習 ,  フレームワーク