Hierarchical Energy Management Recognizing Powertrain Dynamics for Electrified Vehicles With Deep Reinforcement Learning and Transfer Learning
Notice bibliographique
Résumé
Deep reinforcement learning (DRL)-based energy management strategies (EMSs) have gained significant popularity in improving the performance of electrified vehicles. Typically, these EMSs are trained and validated in simulated environments. However, this article reveals that the environment’s fidelity significantly impacts DRL-based EMSs’ performance. Specifically, the EMSs optimized within low-fidelity environments (LFEs)—prevalent in literature yet lacking detailed powertrain dynamics—suffer a performance drop of 2%–3% in energy economy when tested in high-fidelity environments (HFEs) that incorporate powertrain dynamics. To address it, a DRL-based hierarchical energy management framework for multimode power-split hybrid electric vehicles (HEVs) is proposed. It recognizes powertrain dynamics and facilitates transfer learning techniques to bridge the performance gap between LFEs and HFEs. In the upper level of this framework, a DRL agent determines the optimal timing to activate the hybrid mode and the optimal engine operation. The lower level optimizes the torque distribution between two electric motors for all-electric modes. Simulation results demonstrate that the proposed DRL-based EMS, enhanced by transfer learning, reduces training time by approximately 40% compared with the trained-from-scratch EMS within an HFE. Moreover, the proposed EMS achieves 98% energy economy of the optimal benchmark, addressing the noted performance degradation and exhibiting consistent performance in adaptability tests.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».