POTENTIAL OF REINFORCEMENT LEARNING IN ENERGY MANAGEMENT STRATEGY OF HYBRID ELECTRIC VEHICLE

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F23%3A00368219" target="_blank" >RIV/68407700:21220/23:00368219 - isvavai.cz</a>

Výsledek na webu

<a href="https://sites.google.com/vutbr.cz/koka2023" target="_blank" >https://sites.google.com/vutbr.cz/koka2023</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

POTENTIAL OF REINFORCEMENT LEARNING IN ENERGY MANAGEMENT STRATEGY OF HYBRID ELECTRIC VEHICLE

Popis výsledku v původním jazyce

Reinforcement learning is gaining popularity in automotive industry as a form of control due to relative simplicity of its development, theoretical ability to handle complex issues and capability to abstract patterns from stochastic phenomena by letting the agent interact with the environment. This paper describes implementation of reinforcement learning algorithm called Deep Deterministic Policy Gradient to infer energy management strategy for Hybridised delivery vehicle (7.5 t). Both the algorithm and the training environment are created in Python 3.9. programming language. Results of the reinforcement learning are tested on multiple drive cycles and compared to benchmarks that are set by an optimal control algorithm based on Pontryagin’s Minimum Principle.

Název v anglickém jazyce

POTENTIAL OF REINFORCEMENT LEARNING IN ENERGY MANAGEMENT STRATEGY OF HYBRID ELECTRIC VEHICLE

Popis výsledku anglicky

Reinforcement learning is gaining popularity in automotive industry as a form of control due to relative simplicity of its development, theoretical ability to handle complex issues and capability to abstract patterns from stochastic phenomena by letting the agent interact with the environment. This paper describes implementation of reinforcement learning algorithm called Deep Deterministic Policy Gradient to infer energy management strategy for Hybridised delivery vehicle (7.5 t). Both the algorithm and the training environment are created in Python 3.9. programming language. Results of the reinforcement learning are tested on multiple drive cycles and compared to benchmarks that are set by an optimal control algorithm based on Pontryagin’s Minimum Principle.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20301 - Mechanical engineering

Projekt

<a href="/cs/project/TN02000054" target="_blank" >TN02000054: Národní centrum kompetence inženýrství pozemních vozidel Josefa Božka</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

KOKA 2023 SCIENTIFIC PROCEEDINGS

ISBN

978-80-214-6164-2

ISSN

—

e-ISSN

—

Počet stran výsledku

10

Strana od-do

—

Název nakladatele

Brno University of Technology, Faculty of Mechanical Engineering

Místo vydání

Brno

Místo konání akce

Hustopeče

Datum konání akce

6. 9. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—