文献

J-GLOBAL ID：202002227698614742   整理番号：20A1189456

エキスパート経験と一般化性能を考慮したプラグインハイブリッド電気バスのための自己学習エネルギー管理【JST・京大機械翻訳】

Self-learning energy management for plug-in hybrid electric bus considering expert experience and generalization performance

著者 (6件)： Guo Hongqiang (School of Mechanical & Automotive Engineering, Liaocheng University, Liaocheng) ,  Zhao Fengrui (School of Mechanical & Automotive Engineering, Liaocheng University, Liaocheng) ,  Guo Hongliang (School of Mechanical & Automotive Engineering, Liaocheng University, Liaocheng) ,  Cui Qinghu (School of Mechanical & Automotive Engineering, Liaocheng University, Liaocheng) ,  Du Erlei (School of Mechanical & Automotive Engineering, Liaocheng University, Liaocheng) ,  Zhang Kun (School of Mechanical & Automotive Engineering, Liaocheng University, Liaocheng)
資料名： International Journal of Energy Research  (International Journal of Energy Research)
巻： 44  号： 7  ページ： 5659-5674  発行年： 2020年 
JST資料番号： A0249B  ISSN： 0363-907X  CODEN： IJERDN  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： Q-Learning(QL)とPontryaginの最小原理アルゴリズムを組み合わせることにより,プラグインハイブリッド電気バスのための自己学習エネルギー管理を提案した。既存の戦略と異なり,エキスパート経験と一般化性能を提案した戦略に焦点を合わせた。エキスパート経験は近似的に最適な基準充電(SOC)軌道として設計され,一般化性能は多重駆動サイクル訓練法により強化される。特定において,SOCの効率的区域は,最初に,近似的に最適な参考SOC軌跡に基づいて設計した。次に,QLのエージェントを,参照SOC軌道としてエキスパート経験を取ることによってオフラインで訓練した。最後に,良く訓練されたエージェントに基づいて適応戦略を提案した。特に,2つの異なる報酬関数を定義した。すなわち,オフライン訓練における報酬関数は,主にエキスパート経験とSOC間の追跡性能を考慮し,一方,適応戦略におけるpunishmentを考慮している。シミュレーション結果は,提案した戦略には良い一般化性能があり,充電消耗充電持続(CDCS)戦略と比較して,燃料経済を22.49%改善できることを示した。Copyright 2020 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  シミュレーション ,  計算機シミュレーション ,  近似法 ,  *充電 ,  エネルギー管理 ,  燃料経済 ,  エージェント
準シソーラス用語： *自己学習 ,  Q学習 ,  オフライン ,  報酬関数 , 【Automatic Indexing@JST】

著者キーワード (5件)： エネルギー管理 ,  専門家の経験 ,  一般化性能 ,  プラグインハイブリッド電気バス ,  Q学習

分類 (2件)： エネルギーに関する技術・経済問題  (LA01050V) ,  その他の発電  (NB03140M)

タイトルに関連する用語 (6件)： エキスパート ,  経験 ,  一般化 ,  バス ,  自己学習 ,  エネルギー管理