论文部分内容阅读
混合动力汽车的节能方法和能量管理策略一直是汽车行业的重点研究对象。但是,目前实际应用最广泛的依然是基于专家经验的能量管理策略。以混合动力汽车的智能能量管理策略为研究重点的成果极少。因为混合动力电动汽车具有复杂的结构,并且其在运行状态下的工况通常是未知的,所以设计出一个应用于混合动力汽车的自适应并能持续自我更新的能量管理策略并不容易。本文以深度强化学习算法为基础,对并联式混合动力汽车的能量管理策略进行研究。论文的主要工作包括:1.混合动力汽车能量管理策略的分类及算法分析对国内外已有的混合动力汽车能量管理策略进行总结,将能量管理策略算法分为三个大类:基于规则、基于优化和基于学习。通过对能量管理策略的问题关键点进行进一步地分析,选用了等效油耗作为实验结果的判断标准。2.基于深度强化学习的并联式混合动力汽车能量管理策略设计详细设计了能量管理策略模型、Loss函数和经验池回放机制等内容,制定了离线训练、在线学习以及离线预训练结合在线学习的仿真方案,并通过Matlab-Python完成了程序的设计,并联合Advisor进行了仿真。实验结果表明:通过在线学习与离线训练相结合的方式可以极大地减少训练和学习的整体时长,并降低工程应用成本。基于深度强化学习的能量管理策略可以自适应变化的工况,取得了满意的节能效果,还能通过自我学习不断地更新策略。3.基于模糊控制算法及PSO优化模糊控制算法的对比实验设计在基于模糊控制算法的能量管理策略中,使用了总需求转矩、荷电量与发动机转矩三者建立模糊规则,选择了Sugeno型模糊推理系统,最后,将正态型的高斯函数作为输入量的隶属度函数;在基于PSO优化模糊控制算法的能量管理策略中,使用了设计好的模糊控制器隶属度函数参数及模糊规则作为粒子,选择了等效油耗作为算法优化过程中的适应度值。对比实验均在NEDC工况下进行。实验的结果表明:基于深度强化学习的能量管理策略在充分学习及训练的情况下相比其他两种算法拥有更加优秀的节能效果,并且算法因其自适应、自学习的特点,具备实现通用算法的潜力。