Deep Reinforcement Learning als Basis für das Hybridfahrzeug-Energiemanagement

Die Optimierung eines Hybridelektrofahrzeug-Energiemanagements ist aufgrund der umfangreichen, komplexen, nicht linearen Wechselwirkungen im System, sowie der größtenteils unbekannten Fahrzeugnutzung ein herausforderndes Unterfangen. Die Optimierung erfordert die Berücksichtigung zahlreicher, wertkontinuierlicher Sensor- und Stellgrößen sowie das Handhaben unsicheren Wissens wobei sich die getroffenen Entscheidungen langfristig auf die Zielgröße des Verbrauchs auswirken. In dieser Arbeit wird ein Energiemanagement auf Grundlage des Deep Reinforcement Learning vorgestellt. Unabhängig von Verkehrssituation, Fahrstil und Fahrdauer erzielt dieses Kraftstoffeinsparungen. Der Ansatz berücksichtigt im Vergleich zu klassischen Verfahren weitere Zustandsgrößen wie die Batterietemperatur und das Derating und steuert ebenso die Batteriekühlung.