As a promising solution to global w

As a promising solution to global warming and air pollution,
hybrid electric vehicles (HEVs) are becoming increasingly popular.
They have energy storage systems (ESSs) to reduce emissions and
fuel consumption. Generally, two types of ESS are used in HEVs:
gasoline and electricity. Energy management systems (EMS) play
a crucial role in affecting performance, cost effectiveness, and adapatability
of HEVs by controlling and distributing energy among
multiple ESSs. An optimal energy management strategy can either
improve fuel economy or reduce emissions for a HEV. To improve
the online efficiency performance of HEVs, a highly efficient and
real-time energy management strategy is necessary
1.1. Literature review
Numerous researchers around the world have conducted
research focused on the energy management strategies of HEVs
[2]. Generally, energy management strategies for HEVs can be classified
into two major types: rule based and optimization based
[3,4]. With humans’ early engineering experience, rule-based
strategies are simple and widely used for different types of HEVs.
For example, Jalil proposed a rule-based energy management strategy
by setting thresholds for power split between the engine and
battery [5]. Reported fuel economy has improved by 6% in thehighway cycle and 11% in the urban cycle for a series HEV. Trovão
presented an integrated rule-based meta-heuristic optimization
approach for a multilevel EMS in a multi-source electric vehicle
[6]. Hoffman designed a new rule-based energy management strategy
based on a combination of the rule-based and the equivalent
consumption minimization strategies (ECMS). Compared to the
dynamic programming (DP) based strategy, Hoffman’s design
requires significantly less computation time with a similar result
to DP [7]. However, the performance from any rule-based strategy
is generally sub-optimal and highly dependent on proper design of
the rules, so efforts have increasingly focused on improving the
optimization-based strategy, which theoretically guarantees
optimality.
The DP-based energy management strategy can determine the
best fuel economy once the driving cycle is given [8–10]. Tsai [8]
used the DP algorithm to search the energy management strategy
with different design criteria for an extended-range electric vehicle,
and a multi-mode switch strategy was extracted from the DP
results. However, the real-time and robust performance of this
strategy cannot be guaranteed. Koot [10] generated and stored
electrical energy only at the most suitable moments and demonstrated
a 2% fuel reduction by applying a DP algorithm in a HEV.
However, Serrao declared, because of the high computation load
and adverse computation direction, the DP algorithm is impossible
to use for real-time control [11].
Based on the instantaneous Hamiltonian function, Pontryagain’s
minimum principle (PMP) makes real-time control possible
[12,13]. The core technology in PMP explores the accurate value
of a parameter called co-state. Serrao [11] made a comparative
analysis of the co-state and revealed the essential equivalence
between PMP and DP. Liu and Sharma also elaborated that the
co-state in PMP is just the derivative of the cost function in DP with
respect to the state variable [14,15]. Kim and Xu [16,17] showed
the optimization performance from PMP can be very close to that
of DP through calculating the appropriate co-state. However, the
iterative calcalations keep PMP from being implemented online
directly. Based on the same theoretical background of PMP, ECMS
was proposed to associate current electricity usage with future fuel
consumption [18–20]. Rizzoni [19,20] developed a new adaptive
strategy by adding an on-the-fly algorithm into the ECMS framework
to estimate the equivalent co-state according to driving
conditions.
To make online optimization feasible, many advanced intelligent
algorithms, such as stochastic dynamic programming (SDP)
[21,22], game theory (GT) [23], and reinforcement learning (RL)
[24,25], have been proposed to settle the energy management
problem for multiple types of HEVs. Lin [21] optimized the power
management problem for a parallel HEV through an SDP algorithm,
but the high computational burden makes it difficult to implement
online. Liu [26,27] compared the performance of RL and DP as well
as RL and SDP, and the simulation results showed the computational
time of RL is much less than that of PMP while the control
performance from the RL alogorithm is much closer to that of the
DP algorithm. However, the transition probability matrix in the
RL algorithm cannot be immediately updated online; thus, the
robustness of this strategy cannot be guaranteed for different driving
conditions

ผลลัพธ์ (ไทย) 1:

เป็นวิธีแก้ปัญหาโลกร้อนและอากาศมลพิษ สัญญายานพาหนะไฟฟ้าไฮบริด (HEVs) จะกลายเป็นที่นิยมมากขึ้นมีระบบเก็บพลังงาน (ESSs) เพื่อลดการปล่อย และเชื้อเพลิง โดยทั่วไป ใช้ ESS สองชนิดใน HEVs:น้ำมันและไฟฟ้า เล่นระบบบริหารจัดการพลังงาน (EMS)มีบทบาทสำคัญในการส่งผลกระทบต่อประสิทธิภาพการทำงาน คุ้มค่า และ adapatabilityของ HEVs โดยการควบคุม และการกระจายพลังงานในหมู่ESSs หลาย กลยุทธ์การจัดการพลังงานที่เหมาะสมสามารถอย่างใดอย่างหนึ่งช่วยประหยัดน้ำมันเชื้อเพลิง หรือลดปล่อยก๊าซชนิด การปรับปรุงประสิทธิภาพออนไลน์ของ HEVs มีประสิทธิภาพสูง และกลยุทธ์การจัดการพลังงานแบบเรียลไทม์ที่จำเป็น1.1. ทบทวนวรรณกรรมนักวิจัยมากมายทั่วโลกได้ดำเนินการงานวิจัยที่มุ่งเน้นกลยุทธ์การจัดการพลังงานของ HEVs[2] . สามารถจัดกลยุทธ์การจัดการพลังงานสำหรับ HEVs โดยทั่วไปเป็นสองประเภทหลัก: กฎตามและปรับให้เหมาะสมตาม[3, 4] กับของมนุษย์วิศวกรรมก่อนประสบการณ์ ตามกฎกลยุทธ์เรียบง่าย และใช้กันแพร่หลายสำหรับชนิดต่าง ๆ ของ HEVsตัวอย่างเช่น คิทเสนอกลยุทธ์การจัดการพลังงานตามกฎโดยการตั้งค่าขีดจำกัดสำหรับพลังงานที่แยกระหว่างเครื่องยนต์ และแบตเตอรี่ [5] ประหยัดน้ำมันรายงานได้ดีขึ้น 6% ในรอบ thehighway และ 11% ในรอบเมืองสำหรับชุดชนิด Trovãoนำเสนอการบูรณาการตามกฎพฤติกรรม meta-เพิ่มประสิทธิภาพวิธีการสำหรับแบบ EMS หลายระดับในรถไฟฟ้าหลายแหล่ง[6]. Hoffman designed a new rule-based energy management strategybased on a combination of the rule-based and the equivalentconsumption minimization strategies (ECMS). Compared to thedynamic programming (DP) based strategy, Hoffman’s designrequires significantly less computation time with a similar resultto DP [7]. However, the performance from any rule-based strategyis generally sub-optimal and highly dependent on proper design ofthe rules, so efforts have increasingly focused on improving theoptimization-based strategy, which theoretically guaranteesoptimality.The DP-based energy management strategy can determine thebest fuel economy once the driving cycle is given [8–10]. Tsai [8]used the DP algorithm to search the energy management strategywith different design criteria for an extended-range electric vehicle,and a multi-mode switch strategy was extracted from the DPresults. However, the real-time and robust performance of thisstrategy cannot be guaranteed. Koot [10] generated and storedelectrical energy only at the most suitable moments and demonstrateda 2% fuel reduction by applying a DP algorithm in a HEV.However, Serrao declared, because of the high computation loadand adverse computation direction, the DP algorithm is impossibleto use for real-time control [11].Based on the instantaneous Hamiltonian function, Pontryagain’sminimum principle (PMP) makes real-time control possible[12,13]. The core technology in PMP explores the accurate valueof a parameter called co-state. Serrao [11] made a comparativeanalysis of the co-state and revealed the essential equivalencebetween PMP and DP. Liu and Sharma also elaborated that theco-state in PMP is just the derivative of the cost function in DP withrespect to the state variable [14,15]. Kim and Xu [16,17] showedthe optimization performance from PMP can be very close to thatof DP through calculating the appropriate co-state. However, theiterative calcalations keep PMP from being implemented onlinedirectly. Based on the same theoretical background of PMP, ECMSwas proposed to associate current electricity usage with future fuelconsumption [18–20]. Rizzoni [19,20] developed a new adaptivestrategy by adding an on-the-fly algorithm into the ECMS frameworkto estimate the equivalent co-state according to drivingconditions.To make online optimization feasible, many advanced intelligentalgorithms, such as stochastic dynamic programming (SDP)[21,22], game theory (GT) [23], and reinforcement learning (RL)[24,25], have been proposed to settle the energy managementproblem for multiple types of HEVs. Lin [21] optimized the powermanagement problem for a parallel HEV through an SDP algorithm,but the high computational burden makes it difficult to implementonline. Liu [26,27] compared the performance of RL and DP as wellas RL and SDP, and the simulation results showed the computationaltime of RL is much less than that of PMP while the controlperformance from the RL alogorithm is much closer to that of theDP algorithm. However, the transition probability matrix in theRL algorithm cannot be immediately updated online; thus, therobustness of this strategy cannot be guaranteed for different drivingconditions

ผลลัพธ์ (ไทย) 2:

ในฐานะที่เป็นวิธีการแก้ปัญหาที่มีแนวโน้มที่จะลดภาวะโลกร้อนและมลพิษทางอากาศ
ยานพาหนะไฟฟ้าไฮบริด (HEVs) จะกลายเป็นที่นิยมมากขึ้น.
พวกเขามีระบบการจัดเก็บพลังงาน (ESSs) เพื่อลดการปล่อยมลพิษและ
การบริโภคน้ำมันเชื้อเพลิง โดยทั่วไปทั้งสองประเภทของ ESS ที่ใช้ใน HEVs:
น้ำมันเบนซินและไฟฟ้า ระบบการจัดการพลังงาน (EMS) เล่น
บทบาทสำคัญในการส่งผลกระทบต่อประสิทธิภาพการทำงานลดค่าใช้จ่ายและ adapatability
ของ HEVs โดยการควบคุมและการกระจายพลังงานในหมู่
หลาย ESSs กลยุทธ์การบริหารจัดการพลังงานที่เหมาะสมสามารถ
ปรับปรุงการประหยัดน้ำมันเชื้อเพลิงหรือลดการปล่อยก๊าซสำหรับ HEV เพื่อปรับปรุง
ประสิทธิภาพการทำงานที่มีประสิทธิภาพออนไลน์ของ HEVs, ที่มีประสิทธิภาพสูงและ
กลยุทธ์การจัดการพลังงานแบบ real-time เป็นสิ่งที่จำเป็น
1.1 การทบทวนวรรณกรรม
นักวิจัยจำนวนมากทั่วโลกได้ดำเนินการ
วิจัยมุ่งเน้นไปที่กลยุทธ์การจัดการการใช้พลังงานของ HEVs
[2] โดยทั่วไปกลยุทธ์การจัดการพลังงานสำหรับ HEVs สามารถแบ่งได้
เป็นสองประเภทหลัก: ตามกฎและการเพิ่มประสิทธิภาพตาม
[3,4] ด้วยประสบการณ์ด้านวิศวกรรมของมนุษย์ในช่วงต้นตามกฎ
กลยุทธ์ที่เรียบง่ายและใช้กันอย่างแพร่หลายสำหรับชนิดของ HEVs.
ตัวอย่างเช่น Jalil เสนอกลยุทธ์การจัดการพลังงานตามกฎ
โดยการตั้งค่าเกณฑ์สำหรับการแยกอำนาจระหว่างเครื่องยนต์และ
แบตเตอรี่ [5] รายงานการประหยัดน้ำมันเชื้อเพลิงได้ดีขึ้น 6% ในวงจร thehighway และ 11% ในรอบเมืองสำหรับ HEV ชุด Trovão
นำเสนอตามกฎ meta-แก้ปัญหาแบบบูรณาการเพิ่มประสิทธิภาพของ
วิธีการสำหรับหลาย EMS ในหลายแหล่งที่มาของรถยนต์ไฟฟ้า
[6] ฮอฟแมนออกแบบกลยุทธ์การจัดการพลังงานตามกฎใหม่
บนพื้นฐานของการรวมกันของตามกฎและเทียบเท่า
กลยุทธ์การลดการบริโภค (ECMS) เมื่อเทียบกับ
การเขียนโปรแกรมแบบไดนามิก (DP) กลยุทธ์ตามการออกแบบฮอฟแมน
ต้องใช้เวลาในการคำนวณอย่างมีนัยสำคัญน้อยลงด้วยผลที่คล้ายกัน
เพื่อ DP [7] อย่างไรก็ตามผลการดำเนินงานจากกลยุทธ์ตามกฎใด ๆ
โดยทั่วไปย่อยที่ดีที่สุดและสูงขึ้นอยู่กับการออกแบบที่เหมาะสมของ
กฎระเบียบเพื่อให้มีความพยายามเน้นมากขึ้นในการปรับปรุง
ยุทธศาสตร์การเพิ่มประสิทธิภาพตามที่ทางทฤษฎีรับประกัน
optimality.
DP-ตามกลยุทธ์การจัดการพลังงาน สามารถตรวจสอบ
การประหยัดน้ำมันเชื้อเพลิงที่ดีที่สุดครั้งหนึ่งวงจรขับรถจะได้รับ [8-10] ไจ่ [8]
ใช้อัลกอริทึม DP เพื่อค้นหากลยุทธ์การจัดการพลังงาน
ที่มีเกณฑ์ในการออกแบบที่แตกต่างกันสำหรับรถยนต์ไฟฟ้าขยายช่วง
และกลยุทธ์สลับโหมดมัลติถูกสกัดจาก DP
ผล แต่ประสิทธิภาพการทำงานแบบ real-time และมีประสิทธิภาพของ
กลยุทธ์ไม่สามารถรับประกันได้ Koot [10] สร้างและจัดเก็บ
พลังงานไฟฟ้าเพียงอย่างเดียวที่ช่วงเวลาที่เหมาะสมที่สุดและแสดงให้เห็นถึง
การลดการใช้เชื้อเพลิง 2% โดยการใช้อัลกอริทึม DP ใน HEV ได้.
อย่างไรก็ตาม Serrao ประกาศเพราะภาระการคำนวณสูง
และทิศทางการคำนวณที่ไม่พึงประสงค์ขั้นตอนวิธี DP เป็นไปไม่ได้
ที่จะใช้สำหรับควบคุมเวลาจริง [11].
ขึ้นอยู่กับฟังก์ชั่นมิลทันที Pontryagain ของ
หลักการขั้นต่ำ (PMP) ทำให้ควบคุมเวลาจริงที่เป็นไปได้
[12,13] เทคโนโลยีหลักใน PMP สำรวจค่าที่ถูกต้อง
ของพารามิเตอร์ที่เรียกว่าร่วมรัฐ Serrao [11] ทำเปรียบเทียบ
การวิเคราะห์ของผู้ร่วมรัฐและเผยให้เห็นถึงความเท่าเทียมกันที่สำคัญ
ระหว่าง PMP และ DP หลิวและชาร์นอกจากนี้ยังมีเนื้อหาว่า
ร่วมของรัฐใน PMP เป็นเพียงอนุพันธ์ของฟังก์ชั่นค่าใช้จ่ายใน DP ด้วย
ความเคารพต่อตัวแปรรัฐ [14,15] คิมและเสี่ยว [16,17] แสดงให้เห็น
ประสิทธิภาพการทำงานที่เพิ่มประสิทธิภาพจาก PMP สามารถมากใกล้เคียงกับ
ของ DP ผ่านการคำนวณที่เหมาะสมร่วมรัฐ อย่างไรก็ตาม
calcalations ย้ำให้ PMP จากการถูกดำเนินการออนไลน์
โดยตรง ขึ้นอยู่กับพื้นหลังทฤษฎีเดียวกันของ PMP, ECMS
ได้เสนอที่จะเชื่อมโยงการใช้ไฟฟ้าในปัจจุบันมีการใช้เชื้อเพลิงในอนาคต
การบริโภค [18-20] Rizzoni [19,20] การพัฒนาปรับตัวใหม่
กลยุทธ์โดยการเพิ่มขั้นตอนวิธีการ on-the-บินเข้าไปในกรอบ ECMS
การประมาณเทียบเท่าร่วมรัฐตามขับรถ
สภาพ.
เพื่อให้การเพิ่มประสิทธิภาพออนไลน์เป็นไปได้, ฉลาดหลายขั้นสูง
ขั้นตอนวิธีการเช่นสุ่ม เขียนโปรแกรมแบบไดนามิก (SDP)
[21,22] ทฤษฎีเกม (GT) [23] และการเสริมแรงการเรียนรู้ (RL)
[24,25] ได้รับการเสนอที่จะชำระการจัดการพลังงานที่
เป็นปัญหาสำหรับหลายประเภทของ HEVs หลิน [21] การเพิ่มประสิทธิภาพพลังงาน
ปัญหาการจัดการขนาน HEV ผ่านขั้นตอนวิธี SDP,
แต่ภาระการคำนวณสูงทำให้มันยากที่จะใช้
ออนไลน์ หลิว [26,27] เมื่อเทียบกับประสิทธิภาพการทำงานของ RL และ DP เช่นกัน
เป็น RL และ SDP และผลการจำลองแสดงให้เห็นว่าการคำนวณ
เวลาของ RL มีมากน้อยกว่า PMP ในขณะที่การควบคุม
การปฏิบัติงานจาก alogorithm RL เป็นมากใกล้เคียงกับ ของ
อัลกอริทึม DP อย่างไรก็ตามการเปลี่ยนแปลงเมทริกซ์ความน่าจะเป็นใน
ขั้นตอนวิธีการ RL ไม่สามารถปรับปรุงได้ทันทีออนไลน์ ดังนั้น
ความทนทานของกลยุทธ์นี้ไม่สามารถรับประกันสำหรับการขับขี่ที่แตกต่างกัน
เงื่อนไข