基于改进深度强化学习的燃料电池汽车能量管理策略

田晟; 谢华林; 陈东

doi:10.16088/j.issn.1001-6600.2025120503

广西师范大学学报（自然科学版） ›› 2026, Vol. 44 ›› Issue (4) : 28 -45. DOI: 10.16088/j.issn.1001-6600.2025120503

基于改进深度强化学习的燃料电池汽车能量管理策略

田晟, 谢华林, 陈东

作者信息 +

Author information +

文章历史 +

摘要

在燃料电池汽车能量管理技术领域，基于深度强化学习算法的能量管理策略目前成为混合动力总成技术的研究热点，但仍然存在面向不同的复杂驾驶工况时出现学习能力不足、学习效率低、模型收敛困难等问题。为解决该问题，本文提出一种基于改进深度强化学习的能量管理策略。该策略对传统的TD3算法进行改进，使用优先经验回放、奖励导向的自适应噪声尺度等方法得到改进后的AE-TD3算法。采用CLTC、UDDS、FTP75以及RCDC工况分别验证AE-TD3算法在标准驾驶工况以及真实城市道路驾驶工况下的性能表现。仿真结果显示，AE-TD3算法相比于TD3算法在收敛速度上更快，拥有更强的探索能力。在储能单元输出性能方面，与TD3算法相比，在4个训练工况下，基于AE-TD3算法的能量管理策略得到的电池SOC相对目标值的波动范围明显比基于TD3算法的能量管理策略低。除此之外，当车辆速度处于高速工况时，基于AE-TD3算法的能量管理策略的燃料电池输出功率明显高于TD3算法。在燃料电池氢气消耗方面，相较于TD3算法分别提升2.7%、1.1%、5.7%和7.3%。同时，通过将标准工况下训练好的能量管理策略应用于实际道路工况，由实验结果可知，基于AE-TD3算法的能量管理策略具有较好的在线应用能力和工况适应能力。