Key points are not available for this paper at this time.
Cet article propose une stratégie de gestion de l'énergie adaptive pour les véhicules électriques hybrides en combinant l'apprentissage par renforcement profond (DRL) et l'apprentissage par transfert (TL). Ce travail vise à résoudre le défaut du DRL en terme de temps d'entraînement fastidieux. Tout d'abord, un modèle de contrôle d'optimisation d'un véhicule hybride à chenilles est construit, où les composants de groupe motopropulseur élaborés sont introduits. Ensuite, un cadre de contrôle à deux niveaux est construit pour dériver les stratégies de gestion de l'énergie (EMS). Le niveau supérieur applique les algorithmes particuliers de gradient de politique déterministe profond (DDPG) pour l'entraînement de l'EMS à différents intervalles de vitesse. Le niveau inférieur utilise la méthode de TL pour transformer les réseaux neuronaux pré-entraînés pour un nouveau cycle de conduite. Enfin, une série d'expériences est exécutée pour prouver l'efficacité du cadre de contrôle présenté. L'optimalité et l'adaptabilité de l'EMS formulée sont mises en lumière. La politique de contrôle conçue, habilitée par le DRL et le TL, est capable d'améliorer l'efficacité énergétique et d'améliorer la performance du système.
Guo et al. (Mer,) ont étudié cette question.