基于深度强化学习的网联燃料电池混合动力汽车生态驾驶联合优化方法

田晟; 陈东

doi:10.16088/j.issn.1001-6600.2023120802

广西师范大学学报（自然科学版） ›› 2024, Vol. 42 ›› Issue (06) : 67 -80. DOI: 10.16088/j.issn.1001-6600.2023120802

基于深度强化学习的网联燃料电池混合动力汽车生态驾驶联合优化方法

田晟, 陈东

作者信息 +

Author information +

文章历史 +

PDF

摘要

随着物联网、无人驾驶等新技术的快速发展，基于网联交通驾驶环境为混合动力车辆节能驾驶与能量管理优化注入了新的研究思路。针对燃料电池混合动力汽车在多信号灯城市道路的驾驶场景，本文提出一种基于深度强化学习算法的车速与能量管理的多目标分层联合优化方法(DDPG-DP)。在上层节能速度规划方面采用DDPG算法，同时设计多目标奖励值函数和加入优先经验回放机制，在提高算法速度和稳定性的基础上，进行节能、驾驶舒适性以及通行效率的多目标速度规划。在下层能量管理方面采用动态规划算法(DP),以氢气消耗最小化为目标实现混合动力系统的最优节能控制。结果表明：在本文设定的2种场景中，DDPG-DP算法比IDM-DP算法在通行效率上分别提高15.25%、20.18%,氢气燃料消耗分别降低25.66%、17.86%;同时在本文设定的2种场景中DDPG-DP算法相比于全局最优算法(DP-DP)在通行时间上只存在5 s左右差距，氢气燃料消耗比最优算法仅相差2.84%、4.7%。在通行平稳性上DDPG-DP算法比另外2种算法(IDM-DP、DP-DP)速度波动更小且未出现急加减速情况，能够较好地保证乘坐的舒适性。本文通过速度规划和能量管理双层主动式架构，能够实现混合动力车辆主动式节能优化，将为混合动力汽车日常驾驶提供更大节能潜力，同时对于网联燃料电池混合动力汽车的多目标生态驾驶优化奠定了研究基础。