文献类型：期刊文章

作　　者：李家曦[1] 孙友长[1] 庞玉涵[1] 伍朝兵[1] 杨小青[1] 胡博[1,2]

LI Jiaxi;SUN Youchang;PANG Yuhan;WU Chaobing;YANG Xiaoqing;HU Bo(Key Laboratory of Advanced Manufacturing Technology for Automobile Parts,Ministry of Education,Vehicle Engineering Institute,Chongqing University of Techmology,Chongqing 400054,China;Ningbo Yinzhou DLT Technology Co.,Ld.,Ningbo 315100,Chna)

机构地区：[1]重庆理工大学车辆工程学院汽车零部件先进制造技术教育部重点实验室,重庆400054 [2]宁波市鄞州德来特技术有限公司,浙江宁波315100

出　　处：《重庆理工大学学报（自然科学）》

基　　金：国家自然科学基金项目(51905061);中国博士后科学基金项目(2020M671842);重庆市自然科学基金项目(cstc2019jcyj-msxm X0097);重庆市教育委员会科学技术研究项目(KJQN201801124);内燃机燃烧学国家重点实验室开放课题(k2019-02)。

年　　份：2020

卷　　号：34

期　　号：9

起止页码：62-72

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、JST、RCCSE、ZGKJHX、核心刊

摘　　要：提出了能量管理策略优化方法,通过深度强化学习中的深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法调整等效因子,以提高燃油利用率,达到SOC保持与油耗降低的目标。受到边缘计算架构启发,建立了基于并行的深度强化学习算法以加快学习速度。在FTP72工况的仿真结果表明:提出的算法使油耗相对基于PID控制器的传统A-ECMS算法降低了7.2%,而以边缘计算架构建立的并行深度强化学习算法使收敛速度提高了334%。

关 键 词：自适应等效能耗最小策略  混合动力汽车 等效因子  并行深度强化学习  边缘计算  

分 类 号：U461]