基于强化学习的电动汽车的储能系统优化控制和存储容量优化（Matlab代码实现）

荔枝科研社

已于 2022-10-15 09:51:39 修改

阅读量1.3k

点赞数

文章标签： python 开发语言 matlab 电动车

于 2022-08-20 18:33:12 首次发布

本文链接：https://blog.csdn.net/weixin_46039719/article/details/126442616

版权

💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥
🎉作者研究：🏅🏅🏅主要研究方向是电力系统和智能算法、机器学习和深度学习。目前熟悉python网页爬虫、机器学习、群智能算法、深度学习的相关内容。希望将计算机和电网有效结合！⭐️⭐️⭐️
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

📋📋📋本文目录如下：⛳️⛳️⛳️

目录

1 概述

2 数学模型

3 运行结果

4 参考文献

5 Matlab代码实现

1 概述

电池寿命是电动汽车 (EV) 运行中的一个重要考虑因素。老化的电池会经历能量容量下降 [1]，这会减少一次充电可行驶的最大距离。在车辆到电网的应用中，它还减少了电池 [2] 可以提供的有用服务，因为容量降低的电池能够存储更少的能量。鉴于电池是昂贵的组件，因此必须将退化的巨大财务成本降至最低。结合不同特性的存储可以提高电动汽车的性能和寿命。如果以大能量传输运行，电池会退化，而超级电容器具有高功率密度但能量容量低 [3,4]。这意味着超级电容器和电池一起可以处理来自加速和再生制动的大功率传输，同时保护电池免于退化 [4]。这样的系统被称为混合能量存储系统（HESS）。以前的许多工作已经解决了控制 HESS 的问题——也就是说，确定电池和超级电容器的能量放电，以满足一系列车辆能量需求，同时最大限度地降低上述成本。例如，[3,7] 提出了限制电池退化的启发式规则方法，不使用需求预测来考虑长期成本，而 [5,6] 使用次优贪婪和 MPC 进行预测但解决优化问题技巧。为了优化，动态规划 (DP) 先前已在此上下文中应用以确定策略，即状态反馈控制函数。例如，参考文献 [8] 和 [9] 都通过无限视界 DP 解决了双存储问题，但没有解决 DP 固有的维度灾难。

在本文中，使用近似动态规划来设计双存储设备之间的电源共享策略。将动态程序编写为线性程序，并使用基函数来逼近最优值函数。数值结果表明，在给定足够数量的基函数的情况下，所得到的次优策略可以以低误差逼近最优策略。该模型描述了双存储系统中的能量流。是一个动态规划问题。最后，我们展示了带有电池和超级电容器的车辆的数值结果及Matlab代码。

2 数学模型

目标函数：

$J_{l o s s}=\min \left[\sum_{t=0}^{N-1}\left(1-\alpha_{1}^{D}\right) D_{1}(t)+\left(1-\alpha_{2}^{C}\right) C_{2}(t)+\left(1-\alpha_{2}^{D}\right) D_{2}(t)\right]$

$\min \mathbb{E}\left[\sum_{t=0}^{T-1} g\left(E_{1}(t), E_{2}(t), L(t), U_{1}(t), U_{2}(t)\right)\right]$

约束条件：

$\left[D_{1}(t)\right]+\left[D_{2}(t)-C_{2}(t)\right]=L(t)$

$E_{j}^{\min } \leq E_{j}(t) \leq E_{j}^{\max }$

$0 \leq C_{2}(t) \leq C_{2}^{\max }$

$0 \leq D_{j}(t) \leq D_{j}^{\max }$

更多详细数学模型和解释见第4部分。

3 运行结果

4 参考文献

部分理论引用网络文献，若有侵权请联系博主删除。

[1]张子霖.基于深度强化学习的电动汽车协调充电算法[J].信息技术与网络安全,2022,41(04):83-89.DOI:10.19358/j.issn.2096-5133.2022.04.013.

[2]Y. Shi et al. “Optimal Battery Control Under Cycle Aging Mechanisms in Pay
for Performance Settings,” IEEE Transactions on Automatic Control, 2018.