双电机四驱能量管理策略

能耗逼近全局最优

用改进DDPG算法在线分配双电机功率，能耗在不同工况下达到动态规划的95%以上。

Hanghang, Cui · 阮嘉赓 · Changcheng, Wu · Kaixuan, Zhang · Tongyang, Li

Mechanism and Machine Theory 2023

参数信息

能耗达动态规划基准比例

95.7 %

能耗达动态规划基准比例

94.8 %

能耗达动态规划基准比例

95.5 %

能耗改善比例（相较SOC-DDPG）

3 %

能耗改善比例（相较SOC-DDPG）

3.8 %

能耗改善比例（相较SOC-DDPG）

2.4 %

技术优势

逼近全局最优能耗

未知工况下能耗达动态规划基准的95.7%、94.8%和95.5%，表明策略在无先验路况时仍能接近理论上限。

能耗降低约3%

引入新颖奖励设定后，策略在三个测试循环中比传统基于SOC的DDPG能耗分别低3%、3.8%和2.4%。

超越离散动作DQN

与基于离散动作的双深度Q学习策略相比，本策略在未知驾驶循环中能耗表现更优，验证了连续动作空间的优势。

应用场景

• 电动汽车能量管理：为多电机电动汽车提供在线功率分配算法，降低实际行驶能耗。
• 电池系统效率优化：通过优化功率流提升电池能量利用效率，延长续驶里程。
• 智能车辆控制：采用强化学习策略实现无需工况预测的智能功率控制。
• 自动驾驶能效：在未知工况下仍保持高能效，适用于自动驾驶场景的实时能量管理。