Real-Time Optimal Energy Management of Multimode Hybrid Electric Powertrain With Online Trainable Asynchronous Advantage Actor–Critic Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An online updating framework of an energy management system (EMS) for a multimode hybrid electric powertrain is proposed via cooperation between the asynchronous advantage actor–critic (A3C)-based deep reinforcement learning (DRL) agent and the Markov chain model (MCM). In the overall framework, the DRL agent periodically updates the energy management policy. The MCM expedites the policy update process by generating plenty of probable future drive cycles using recent historical driving data and supplying them to the training process. Assisted with the MCM, the proposed A3C-based energy management framework can yield near-optimal policy for any type of unknown drive cycle in the recent future. Two types of unknown drive cycles are chosen to demonstrate the efficacy of the proposed framework. Type I unknown drive cycle is also generated from the same recent historical driving data but was not included in the training dataset. Type II drive cycle is neither known to the framework nor generated from the same historical data. In type I unknown drive cycle, the trained A3C-based EMS achieves 99% of the fuel economy obtained by the global-optimal EMS and 0.12% deviation from charge sustainability. The trained A3C-based EMS consumes 6%–12% more fuel than the global-optimal EMS for type II unknown drive cycles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle