Benutzer: Gast  Login
Originaltitel:
Deep Reinforcement Learning basierte Leistungsmanagementstrategie in 12 V-Bordnetzen
Übersetzter Titel:
Deep reinforcement learning based power management strategy in 12 V electrical systems
Autor:
Tan, Ömer
Jahr:
2024
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Engineering and Design
Betreuer:
Kennel, Ralph (Prof. Dr. Dr. h.c.)
Gutachter:
Kennel, Ralph (Prof. Dr. Dr. h.c.); Kreupl, Franz (Prof. Dr.)
Sprache:
de
Fachgebiet:
ELT Elektrotechnik
Stichworte:
Reinforcement Learning, Energiemanagementsysteme, Leistungsmanagementsysteme, Künstliche Intelligenz
Übersetzte Stichworte:
Reinforcement Learning, energy management system, power management system, artificial intelligence
TU-Systematik:
ELT 855; ELT 868
Kurzfassung:
Die steigende Komplexität der Bordnetze stellt die Fahrzeughersteller vor neue Herausforderungen. Hochleistungsverbraucher wie die elektrische Lenkung oder Bremse können in kritischen Fahrsituationen die Spannung im Bordnetz deutlich senken. Auf Grundlage einer Bordnetzsimulation wird eine Reinforcement Learning-basierte Methode zur Reduktion von Spannungseinbrüchen in 12 V-Bordnetzen entwickelt. Die Ergebnisse zeigen anhand einer großen Anzahl an kritischen Fahrszenarien eine Verbesserung der S...     »
Übersetzte Kurzfassung:
The increasing complexity of vehicle electrical systems is presenting vehicle manufacturers with new challenges. High-power consumers such as electric steering or brakes can significantly reduce the voltage in the vehicle electrical system in critical driving situations. Based on a power net simulation, a reinforcement learning-based method for reducing voltage dips in 12 V electrical systems is developed. Based on a large number of critical driving scenarios, the results show an improvement in...     »
WWW:
https://mediatum.ub.tum.de/?id=1699376
Eingereicht am:
10.08.2023
Mündliche Prüfung:
08.05.2024
Dateigröße:
6457843 bytes
Seiten:
133
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240508-1699376-1-6
Letzte Änderung:
18.06.2024
 BibTeX