Resumen

Para una estrategia de control óptimo global, no sólo es necesario conocer de antemano el ciclo de conducción, sino que también es difícil aplicarla en línea debido a su gran volumen de cálculo. Como estrategia de control basada en la inteligencia artificial, se aplica el aprendizaje por refuerzo (RL) a una estrategia de gestión de la energía de un vehículo eléctrico híbrido supersuave. Se desarrolla un modelo estocástico de la demanda de energía del conductor a partir de datos de tiempo-velocidad de ciclos de conducción de muestra. Basándose en la teoría del proceso de decisión de Markov, se establece un modelo matemático de una estrategia de gestión de la energía basada en RL, que asume como objetivo de optimización la expectativa de retorno acumulativa mínima. Se adopta un algoritmo de iteración de políticas para obtener la política de control óptima que toma la velocidad del vehículo, la demanda de energía del conductor y el estado de carga (SOC) como entrada y la potencia del motor como salida. Utilizando una plataforma MATLAB/Simulink, se establece el modelo de simulación CYC_WVUCITY. Los resultados muestran que, en comparación con la programación dinámica, este método no sólo puede adaptarse a ciclos de conducción aleatorios y reducir el consumo de combustible en un 2,4%, sino que también puede aplicarse en línea debido a su reducido volumen de cálculo.

• Materias:Control del proceso Aerodinámica Robótica Regulación automática Diagnóstico de fallos
• Subjects: Aerodynamics Robotics Automatic regulation Fault diagnosis
• Palabras claves:estrategia de gestión de la energía, demanda de potencia, teoría del proceso de decisión de markov, estrategia global de control óptimo, vehículo eléctrico híbrido suave, expectativa de rentabilidad acumulada mínima, modelo de simulación cyc_wvucity, gran volumen de cálculo, política de control óptimo, algoritmo de iteración de políticas
• Keywords:energy management strategy, power demand, markov decision process theory, global optimal control strategy, mild hybrid electric vehicle, minimum cumulative return expectation, cyc_wvucity simulation model, large calculation volume, optimum control policy, policy iteration algorithm