Energy Management in Electric Vehicles Using Improved Swarm Optimized Deep Reinforcement Learning Algorithm

Abstract

Транспортна система на основі двигуна внутрішнього згоряння створює серйозні проблеми, такі як зростання рівня забруднення атмосфери та виснаження природних ресурсів. Для ефективного розподілу енергії між двигуном і батареєю необхідна складна система управління енергією. Ефективна стратегія розподілу потужності може призвести до кращої економії палива та продуктивності електромобілів (EV). У статті ми пропонуємо метод навчання з підкріпленням з використанням глибокого навчання Q (DQL), який є новим алгоритмом з підкріпленням (IS-DRLA), оптимізованим для групи Improved Swarm, розробленим для контролю управління енергією. Щоб виконати оновлення вагових коефіцієнтів нейронної мережі, цей метод обчислює використання модифікованої версії методу оптимізації роя. Після цього запропонована система IS-DRLA проходить навчання та перевірку з використанням високоточних реалістичних умов водіння, після чого вона порівнюється зі стандартним підходом. Індекси продуктивності, такі як стан заряду (SOC) і функція витрат і втрат палива, аналізуються на ефективність запропонованого методу (IS-DRLA). Відповідно до висновків, нещодавно запропонований IS-DRLA здатний досягати вищого темпу навчання з нижчим загальним споживанням палива.

The internal combustion engine-based transportation system is causing severe problems such as rising levels of pollution, rising petroleum prices, and the depletion of natural resources. To divide power between the engine and the battery in an effective manner, a sophisticated energy management system is required to be put into place. A power split strategy that is efficient may result in higher fuel economy and performance of Electric Vehicles (EVs). In this paper, we propose the reinforcement learning method using Deep Q learning (DQL), which is a novel Improved Swarm optimized Deep Reinforcement Learning Algorithm (IS-DRLA) designed for energy management control. To perform an update on the weights of the neural network, this method computes the use of a modified version of the swarm optimization technique. After that, the suggested IS-DRLA system goes through training and verification using high-precision realistic driving conditions, after which it is contrasted with the standard approach. The performance indices such as State of Charge (SOC) and fuel consumption and loss function are analyzed for the efficiency of the proposed method (IS-DRLA). According to the findings, the newly proposed IS-DRLA is capable of achieving a higher training pace with a lower overall fuel consumption than the conventional policy, and its fuel economy comes very close to matching that of the worldwide optimal. In addition to this, the adaptability of the suggested strategy is demonstrated by utilizing a different driving schedule.