Reinforcement Learning-enabled Intelligent Energy Management for Hybrid Electric Vehicles

الکتريکي کردن قواي محرکه، کربن زدايي از سوخت و تنوع انرژي فنوني هستند که در سرتاسر جهان در حال گسترش هستند و منجر به خودروهاي پاکتر و کارآمدتر مي شوند.

خودروهاي برقي هيبريد (HEV) امروزه به عنوان یک فناوری امیدوارکننده برای مقابله با آلودگی روزافزون هوا و محرومیت از انرژی در نظر گرفته می شود. برای تحقق این دستاوردها و همچنان حفظ عملکرد خوب، برای HEV ها داشتن سیستم های مدیریت انرژی پیچیده بسیار مهم است. با نظارت چنین سیستمی، HEV ها می توانند در حالت های مختلف مانند حالت تمام الکتریکی و حالت تقسیم قدرت کار کنند. از این رو، تحقیق و ساخت استراتژی‌های مدیریت انرژی پیشرفته (EMS) برای عملکرد HEV مهم است. چند کتاب در مورد رویکردهای مبتنی بر قوانین و بهینه‌سازی برای فرمول‌بندی سیستم‌های مدیریت انرژی وجود دارد. بیشتر آنها به تکنیک های سنتی مربوط می شوند و تلاش آنها بر جستجوی سیاست های کنترل بهینه آفلاین متمرکز است. هنوز جای زیادی برای معرفی سیستم‌های مدیریت انرژی مبتنی بر یادگیری مبتنی بر هوش مصنوعی و ارزیابی و کاربرد بلادرنگ آن‌ها وجود دارد.

در این کتاب، یک سری خودروی الکتریکی هیبریدی به عنوان مدل پیشرانه در نظر گرفته شد. توصیف و تجزیه و تحلیل یک سیستم مدیریت انرژی هوشمند با قابلیت یادگیری تقویتی (RL). سیستم پیشنهادی نه تنها می‌تواند اطلاعات جاده‌های پیش‌بینی‌کننده را یکپارچه کند، بلکه می‌تواند به یادگیری و به‌روزرسانی آنلاین نیز دست یابد. مدل‌سازی دقیق پیشرانه، الگوریتم‌های پیش‌بینی، و فناوری به‌روزرسانی آنلاین درگیر هستند و ارزیابی و تأیید سیستم مدیریت انرژی ارائه‌شده انجام و اجرا می‌شود.

Powertrain electrification, fuel decarburization, and energy diversification are techniques that are spreading all over the world, leading to cleaner and more efficient vehicles.

Hybrid electric vehicles (HEVs) are considered a promising technology today to address growing air pollution and energy deprivation. To realize these gains and still maintain good performance, it is critical for HEVs to have sophisticated energy management systems. Supervised by such a system, HEVs could operate in different modes, such as full electric mode and power split mode. Hence, researching and constructing advanced energy management strategies (EMSs) is important for HEVs performance. There are a few books about rule- and optimization-based approaches for formulating energy management systems. Most of them concern traditional techniques and their efforts focus on searching for optimal control policies offline. There is still much room to introduce learning-enabled energy management systems founded in artificial intelligence and their real-time evaluation and application.

In this book, a series hybrid electric vehicle was considered as the powertrain model, to describe and analyze a reinforcement learning (RL)-enabled intelligent energy management system. The proposed system can not only integrate predictive road information but also achieve online learning and updating. Detailed powertrain modeling, predictive algorithms, and online updating technology are involved, and evaluation and verification of the presented energy management system is conducted and executed.