LearningEMS: um novo quadro para a gestão da energia dos veículos elétricos
Um novo estudo publicado na revista Engineering apresenta o LearningEMS, uma estrutura unificada e uma referência de código aberto concebida para revolucionar o desenvolvimento e a avaliação de estratégias de gestão de energia (EMS) para veículos elétricos (EVs).
A indústria automóvel sofreu recentemente uma mudança transformadora, alimentada pela crescente ênfase global na sustentabilidade e na conservação do ambiente. Os VEs tornaram-se uma parte crucial do futuro dos transportes. No entanto, a gestão eficaz da energia nos VEs, especialmente aqueles com sistemas de energia complexos como os VEs a bateria, os VEs híbridos, os VEs a célula de combustível e os VEs plug-in, continua a ser um desafio. Um SGA eficiente é essencial para otimizar a eficiência energética destes veículos.
O LearningEMS fornece uma plataforma geral que suporta várias configurações de VE. Permite comparações detalhadas de vários algoritmos SGA, incluindo aprendizagem por imitação, aprendizagem por reforço profundo (RL), RL offline, controlo preditivo de modelos e programação dinâmica. O quadro é fornecido com três plataformas EV distintas, mais de 10.000 km de conjunto de dados de políticas EMS, dez algoritmos topo de gama e mais de 160 tarefas de referência, juntamente com três bibliotecas de aprendizagem.
Os investigadores avaliaram rigorosamente estes algoritmos de várias perspetivas, como a eficiência energética, a consistência, a adaptabilidade e a praticabilidade. Por exemplo, nos resultados dos testes de referência, descobriram que os algoritmos de espaço de ação discreto, como o DQN e o D3QN, têm um bom desempenho em tarefas EMS simples, mas são menos eficientes quando lidam com parâmetros de controlo complexos. Por outro lado, os algoritmos fora da política com espaços de ação contínuos, como o DDPG, o TD3 e o SAC, mostram um grande potencial na otimização da eficiência energética e na manutenção da consistência em diferentes condições de condução. O algoritmo on-policy PPO, no entanto, apresenta variações significativas de desempenho em diferentes veículos ou condições operacionais.
O estudo também aborda aspetos importantes do RL na gestão de energia dos VE, como a conceção de definições de estado, recompensa e ação. Os investigadores discutem a forma como estes elementos podem afetar significativamente o desempenho global do SGE. Além disso, introduzem um método de extração e reconstrução de políticas para a implementação de EMS baseados na aprendizagem em controladores de veículos reais e realizam experiências de hardware-in-the-loop para provar a sua viabilidade.
De acordo com os investigadores, o LearningEMS tem potencial para melhorar a eficiência energética, reduzir os custos de funcionamento dos veículos e prolongar a vida útil dos sistemas de energia. A natureza de código aberto do LearningEMS incentiva mais investigação e inovação neste domínio, permitindo que engenheiros e investigadores desenvolvam algoritmos EMS mais avançados.
O documento “LearningEMS: A Unified Framework and Open-source Benchmark for Learning-based Energy Management of Electric Vehicles”, é da autoria de Yong Wang, Hongwen He, Yuankai Wu, Pei Wang, Haoyu Wang, Renzong Lian, Jingda Wu, Qin Li, Xiangfei Meng, Yingjuan Tang, Fengchun Sun e Amir Khajepour.
