دانلود ترجمه مقاله استراتژی های مدیریت انرژی بهینه برای خودروهای الکتریکی هیبریدی

1. مقدمه 2. خودروهای الکتریکی هیبریدی (HEVها) 3. طبقه بندی استراتژی های مدیریت انرژی 4. استراتژی های مدیریت انرژی با استفاده از الگوریتم های ML 5. چالش ها و جهت گیری های آتی 6. نتیجه گیری

چکیده – خودروهای هیبریدی الکتریکی (HEV) به عنوان یک گزینه مناسب برای کاهش آلودگی، صرفه‌جویی در مصرف سوخت و کاهش انتشار گازهای گلخانه‌ای مطرح شده‌اند. کارآمدی HEVها به شدت به استراتژی‌های مدیریت انرژی (EMS) مورد استفاده بستگی دارد، زیرا این استراتژی‌ها مستقیماً بر مصرف سوخت خودرو تأثیر می‌گذارند. توسعه EMS مناسب برای HEVها چالش‌برانگیز است، زیرا هدف هم حداکثر کردن صرفه‌جویی در مصرف سوخت و هم بهینه‌سازی عملکرد خودرو است. الگوریتم‌های EMS در تعیین توزیع توان بین موتور بنزینی و موتور الکتریکی در HEVها نقش حیاتی دارند. در گذشته، EMSها برای HEVها بر اساس نظریه کنترل بهینه توسعه داده می‌شدند. با این حال، در سال‌های اخیر، تعداد زیادی از افراد به استفاده از تکنیک‌های یادگیری ماشین برای بهبود عملکرد EMSها علاقه‌مند شده‌اند. این مقاله، مروری بر تحقیقات مختلف در زمینه EMSها ارائه می‌دهد. این مقاله به تغییر رویکرد به سمت ادغام پیشرفت‌های یادگیری ماشین و هوش مصنوعی (AI) در توسعه EMSها اشاره می‌کند. مطالعه موردی‌های متعددی و پژوهش‌هایی که از تکنیک‌های یادگیری ماشین در دسته‌های مختلف برای توسعه استراتژی‌های مدیریت انرژی برای HEVها استفاده کرده‌اند، بررسی شده است. با بهره‌گیری از پیشرفت‌های یادگیری ماشین و هوش مصنوعی، محققان رویکردهای نوآورانه‌ای برای بهینه‌سازی عملکرد و صرفه‌جویی در مصرف سوخت HEVها بررسی کرده‌اند. نتایج اصلی تحقیق ما نشان می‌دهد که یادگیری ماشین کمک قابل توجهی به حل مشکلات پیچیده مرتبط با مدیریت انرژی HEVها کرده است. ما بر نحوه تطبیق الگوریتم‌های یادگیری ماشین با محیط‌های عملیاتی دینامیک، توانایی آن‌ها در شناسایی الگوهای پیچیده در سیستم‌های خودروهای هیبریدی الکتریکی و نحوه مدیریت رفتارهای غیرخطی تأکید می‌کنیم.

Hybrid Electric Vehicles (HEVs) have emerged as a viable option for reducing pollution and attaining fuel savings in addition to reducing emissions. The effectiveness of HEVs heavily relies on the energy management strategies (EMSs) employed, as it directly impacts vehicle fuel consumption. Developing suitable EMSs for HEVs poses a challenge, as the goal is to maximize fuel economy yet optimize vehicle performance. EMSs algorithms are critical in determining power distribution between the engine and motor in HEVs. Traditionally, EMSs for HEVs have been developed based on optimal control theory. However, in recent years, a rising number of people have been interested in utilizing machine-learning techniques to enhance EMSs performance. This article presents a current analysis of various EMSs proposed in the literature. It highlights the shift towards integrating machine learning and artificial intelligence (AI) breakthroughs in EMSs development. The study examines numerous case studies, and research works employing machine learning techniques across different categories to develop energy management strategies for HEVs. By leveraging advancements in machine learning and AI, researchers have explored innovative approaches to optimize HEVs’ performance and fuel economy. Key conclusions from our investigation show that machine learning has made a substantial contribution to solving the complex problems associated with HEV energy management. We emphasize how machine learning algorithms may be adjusted to dynamic operating environments, how well they can identify intricate patterns in hybrid electric vehicle systems, and how well they can manage non-linear behaviors.