Управління енергією в електричних транспортних засобах з використанням вдосконаленого алгоритму глибокого підсилення

Автори M.A. Jawale1 , A.B. Pawar2 , Sachin K. Korde3 , Dhananjay S. Rakshe4 , P. William3 , Neeta Deshpande5
Приналежність

1 Department of Information Technology, Sanjivani College of Engineering, SPPU, Pune, India

2 Department of Computer Engineering, Sanjivani College of Engineering, SPPU, Pune, India

3 Department of Information Technology, Pravara Rural Engineering College, SPPU, Pune, India

4 Department of Computer Engineering, Pravara Rural Engineering College, SPPU, Pune, India

5 Department of Computer Engineering, R H Sapat College of Engineering, Management Studies and Research, SPPU, Pune, India

Е-mail jawale.madhu@gmail.com
Випуск Том 15, Рік 2023, Номер 3
Дати Одержано 20 травня 2023; у відредагованій формі 16 червня 2023; опубліковано online 30 червня 2023
Посилання M.A. Jawale, A.B. Pawar, Sachin K. Korde, et al., Ж. нано- електрон. фіз. 15 № 3, 03004 (2023)
DOI https://doi.org/10.21272/jnep.15(3).03004
PACS Number(s) 88.85.Hj
Ключові слова Енергоменеджмент, Електричні транспортні засоби, Удосконалений алгоритм глибокого підсилення навчання (IS-DRLA).
Анотація

Транспортна система на основі двигуна внутрішнього згоряння створює серйозні проблеми, такі як зростання рівня забруднення та виснаження природних ресурсів. Для ефективного розподілу енергії між двигуном і батареєю необхідна складна система управління енергією. Ефективна стратегія розподілу потужності може призвести до кращої економії палива та продуктивності електромобілів (EV). У статті ми пропонуємо метод навчання з підкріпленням з використанням глибокого навчання Q (DQL), який є новим алгоритмом з підкріпленням (IS-DRLA), оптимізованим для групи Improved Swarm, розробленим для контролю управління енергією. Щоб виконати оновлення вагових коефіцієнтів нейронної мережі, цей метод обчислює використання модифікованої версії методу оптимізації роя. Після цього запропонована система IS-DRLA проходить навчання та перевірку з використанням високоточних реалістичних умов водіння, після чого вона порівнюється зі стандартним підходом. Індекси продуктивності, такі як стан заряду (SOC) і функція витрат і втрат палива, аналізуються на ефективність запропонованого методу (IS-DRLA). Відповідно до висновків, нещодавно запропонований IS-DRLA здатний досягати вищого темпу навчання з нижчим загальним споживанням палива.

Перелік посилань