플러그인 하이브리드 전기차를 위한 Q-러닝 및 신경 동적 프로그래밍 기반 최적 전력 관리

플러그인 하이브리드 전기차(PHEV)의 에너지 최적화는 시스템 복잡성과 많은 물리적 및 운영적 제약으로 인해 도전적인 문제입니다. 본 논문에서는 물리 모델이 없는 차량 내 학습 시스템을 제안하며, 이는 최적 에너지 제어 솔루션으로 강력하게 수렴할 수 있습니다. 제안된 머신러닝 알고리즘은 신경 동적 프로그래밍(NDP)과 미래 여행 정보를 결합하여 특정 차량 상태 및 제어 동작에 대한 예상 미래 에너지 비용(예상 비용)을 효과적으로 추정합니다. 이러한 학습 알고리즘의 수렴은 고정 및 무작위로 선택된 드라이브 사이클 모두에서 입증되었습니다. 이러한 학습 알고리즘의 특성을 기반으로 PHEV 전력 관리 응용 프로그램을 위한 두 단계 배치 솔루션을 제안합니다. 더불어, 최적 학습과 적절히 선택된 패널티 함수를 결합한 새로운 초기화 전략을 소개합니다. 이 초기화 방식은 학습 수렴 시간을 70% 줄일 수 있으며, 이는 차량 내 구현 효율성에 있어 상당한 개선입니다. 마지막으로, 배터리 충전 상태(SoC)를 예측하는 신경망(NN)을 개발하여, 제안된 전력 관리 컨트롤러가 완전히 물리 모델에 의존하지 않도록 하였습니다.