中国农业大学信电学院余强教授团队在国际电气能源领域顶级期刊发表学术论文

近日，信息与电气工程学院余强教授团队在国际电气能源领域顶级期刊《能源》（Energy）上发表研究论文《融合运行信息识别与深度强化学习的电动拖拉机双层自适应节能控制策略》（Dual-layer adaptive power management strategy for E-tractor incorporated operating information and deep reinforcement learning）。该研究论文针对电动拖拉机续航性能和经济效益提升面临的瓶颈问题，提出了一种新颖的自适应节能优化方法，为电动拖拉机节能优化控制及动力系统的优化研究提供了新思路。

《能源》是一本涵盖能源科学与工程技术的国际期刊，是电气能源领域最具影响力的期刊之一。

研究团队基于犁地耕作作业条件，构建了电动拖拉机的实际工况数据集，并通过K-means聚类算法和LVQNN（学习向量量化神经网络）网络，开发了高精度的实时工况识别系统。该识别方法的准确率超过98%。这种基于工况数据的实时识别不仅为电动拖拉机的智能控制提供了重要支撑，还能够实现更加精确的节能调度。与传统节能控制策略仅关注能效不同，本研究提出了融合续航性能与经济效益的多目标优化框架。与此同时，为进一步提高深度强化学习（SAC算法）在电动拖拉机节能控制中的训练效率，研究团队采用了Z-score归一化方法，对状态、动作和奖励信号进行优化处理，进一步提升了SAC算法训练的收敛速度和稳定性。

田间耕作作业工况数据构建方法

实时工况作业条件识别框

实时工况作业条件识别结果

在此框架基础上，研究团队结合实时工况识别结果，基于马尔科夫决策过程（MDP）理论，构建了适用于农业耕作环境的电动拖拉机双层自适应节能控制策略。研究成果表明，该策略相比传统功率管理系统（PMS）在保障单次作业里程的同时，能够使系统综合运营成本降低13%，并有效减少电池峰值瞬态功率和峰值瞬态电流输出，分别降低了11.61%和17.14%。此外，工况模式识别方法的应用使得节能控制策略的优化过程更加高效，减少了70%的SAC训练时间，极大提升了整体系统的实用性。

融合运行工况特征与深度强化学习的节能优化策略框架

仿真和实验验证框架

(a)                   (b)

(c)

(d)               (e)

(f)

仿真和实验验证部分结果

该论文由中国农业大学信电学院与工学院团队合作完成。余强教授为论文通讯作者，2022级博士研究生何雄林为学生第一作者。论文受到国家电网公司科技项目资助（SGHL0000YXJS2310165）的资助。