Weirong Liu · Pengfei Yao · Yue Wu · Lijun Duan 等6人 · Applied Energy · 2025年1月 · Vol.378

深度强化学习已成为电动汽车能量管理的一种有前景的方法。然而，深度强化学习依赖大量试错训练才能获得近似最优性能。为此，本文提出一种面向混合储能系统的电动汽车对抗性模仿强化学习能量管理策略，以最小化电池容量损耗成本。首先，利用动态规划在多种标准驾驶条件下生成专家知识，用于引导强化学习的探索过程，该专家知识表示为最优功率分配映射。其次，在早期模仿阶段，通过对抗网络使强化学习智能体的动作快速逼近最优功率分配映射。再次，根据对抗网络中判别器的输出设计动态模仿权重，促使智能体在在线驾驶条件下逐步过渡到自主探...

解读: 该对抗模仿强化学习策略对阳光电源混合储能系统具有重要应用价值。可应用于ST系列PCS的电池-超级电容混合储能优化,通过专家知识引导的强化学习加速训练42.6%,降低电池容量损耗成本5.1%-12.4%。技术可集成至iSolarCloud平台实现在线工况自适应功率分配,延长PowerTitan储能系统...