文献

J-GLOBAL ID：202202274829973168   整理番号：22A0922993

MPCと二重Q学習に基づく電力分割プラグインハイブリッド電気自動車のためのエネルギー管理戦略【JST・京大機械翻訳】

Energy management strategy for power-split plug-in hybrid electric vehicle based on MPC and double Q-learning

著者 (5件)： Chen Zheng (Faculty of Transportation Engineering, Kunming University of Science and Technology, Kunming, 650500, China) ,  Chen Zheng (School of Engineering and Materials Science, Queen Mary University of London, London, E1 4NS, United Kingdom) ,  Gu Hongji (Faculty of Transportation Engineering, Kunming University of Science and Technology, Kunming, 650500, China) ,  Shen Shiquan (Faculty of Transportation Engineering, Kunming University of Science and Technology, Kunming, 650500, China) ,  Shen Jiangwei (Faculty of Transportation Engineering, Kunming University of Science and Technology, Kunming, 650500, China)
資料名： Energy  (Energy)
巻： 245  ページ： Null  発行年： 2022年 
JST資料番号： H0631A  ISSN： 0360-5442  CODEN： ENEYDS  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： プラグインハイブリッド電気自動車(PHEV)のためのエネルギー管理戦略(EMS)は,エネルギー利用効率と自動車燃料経済を改善する鍵である。本論文では,二重Q学習(DQL)と結合したEMSに基づくモデル予測制御(MPC)を提示して,PHEVのための多重電源間の電力を割り当てた。最初に,PHEVのパワートレインフレームワークとその数学モデルを詳細に解析した。次に,必要な電力と速度に基づいて,効果的収束オフライン学習制御装置を,DQLアルゴリズムに基づいて確立した。次に,マルチ特徴入力ElmanニューラルネットワークをMPCにおける車両速度を予測するために実行して,訓練されたDQL制御装置をMPCにおける圧延最適化プロセスを解明するために適用して,予測水平における最適電池出力を見つけた。最後に,提案戦略をAutonomieソフトウェアで検証し,シミュレーション結果は,提案した戦略がオフライン確率的動的計画戦略に近い優れた燃料経済を達成することができ,一方,異なる充電状態(SOC)基準軌道に対する完全な適応性を有することを示した。Copyright 2022 Elsevier B.V., Amsterdam. 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 ,  最適化 ,  シミュレーション ,  電池 ,  *学習 ,  *電力 ,  圧延 ,  数学モデル ,  多重化 ,  伝動装置 ,  ソフトウェア ,  燃料経済 ,  プラグインハイブリッド自動車
準シソーラス用語： *Q学習 ,  パワートレイン ,  *プラグイン , 【Automatic Indexing@JST】

著者キーワード (5件)： エネルギー管理戦略 ,  二重Q学習 ,  Elmanニューラルネットワーク ,  速度予測 ,  モデル予測制御

分類 (2件)： 電気自動車  (QG07020B) ,  太陽光発電  (NB03090G)

タイトルに関連する用語 (6件)： MPC ,  Q学習 ,  プラグイン ,  ハイブリッド電気自動車 ,  エネルギー管理 ,  戦略