基于控制目标的氢-电混动系统能量管理策略综述
王博斐, 肖浩哲, 李国豪, 修文恒, 莫云浩, 朱铭杰, 吴震

A Review of Energy Management Strategy for Hydrogen-Electricity Hybrid Power System Based on Control Target
Bofei WANG, Haozhe XIAO, Guohao LI, Wenheng XIU, Yunhao MO, Mingjie ZHU, Zhen WU
表6 基于神经网络和Q-learning算法的EMS的优缺点及应用
Tab.6 Advantages, disadvantages and applications of EMS based on neural network and Q-learning algorithm
具体控制策略优点缺点应用
基于神经网络的能量管理策略有较强的学习和自适应能力[47]

数据挖掘困难、耗时,成功训练神经

网络需要较长的时间

具有独特的非线性自适应信息处理能力,可用于解决

复杂多变量问题的最优解[50]

基于Q-learning的能量管理策略无模型,可实时自主学习最优策略[48]

创建数据库需要耗费大量时间,需要

复杂的人工智能知识

适用于系统模型位置、不准确或不断变化的应用[48]