基于深度強化學習的插電式柴電混合動力汽車多目標優(yōu)化控制策略

隗寒冰,賀少川

(重慶交通大學 機電與車輛工程學院，重慶 400074)

0 引 言

氮氧化物(NOx)是車用柴油機排放的主要污染物[1]，為滿足國家標準GB 17691—2018《重型柴油車污染物排放限值及測量方法(中國第六階段)》中規(guī)定的NOx排放低于0.4 g/km限制要求，選擇性催化還原(selective catalytic reduction，SCR)后處理技術(shù)被認為是進一步降低NOx排放的必要技術(shù)路線之一。插電式柴電混合動力汽車(plug-in hybrid electric vehicles，PHEV)工作模式切換過程中由于發(fā)動機頻繁啟停導(dǎo)致的發(fā)動機排氣溫度和進氣流速波動較大，從而導(dǎo)致SCR催化器效率降低和排放惡劣，冷啟動階段這種性能下降更為明顯。因此制定優(yōu)化的整車控制策略在保證燃油經(jīng)濟性的條件下有效降低NOx排放，實現(xiàn)發(fā)動機油耗及后處理系統(tǒng)綜合優(yōu)化控制具有十分重要的意義。

整車控制策略作為插電式混合動力汽車關(guān)鍵技術(shù)之一，已經(jīng)得到了廣泛研究[2]?；谝?guī)則的控制策略因其算法簡單、實時性好的優(yōu)點在工程中被大量采用[3-4]，然而策略制定需要大量實驗和專家經(jīng)驗，無法適應(yīng)工況變化，不能充分發(fā)揮插電式混合動力汽車的節(jié)能潛力。最優(yōu)控制策略利用優(yōu)化算法求解最小化目標函數(shù)，可以實現(xiàn)整車能量最佳分配[5-7]，此類策略計算資源占用大，執(zhí)行效率不高，實時應(yīng)用受到限制?；趯W習的控制策略利用歷史或?qū)崟r數(shù)據(jù)進行學習應(yīng)用，可以根據(jù)不同的行駛工況對控制策略參數(shù)進行自調(diào)整，優(yōu)化車輛運行以適應(yīng)不同的駕駛工況[8-9]，但仍依賴專家經(jīng)驗和精確的系統(tǒng)模型。近年來，作為人工智能、機器學習和自動控制領(lǐng)域研究熱點之一的強化學習在混合動力控制策略中開始得到了應(yīng)用[10]，如：T. LIU等[11]提出馬爾科夫概率轉(zhuǎn)移矩陣在線更新方法，并結(jié)合Q-learning算法應(yīng)用于混合動力汽車能量管理問題，其效果與動態(tài)規(guī)劃接近；Y. HU等[12]使用Q-learning算法在線優(yōu)化模糊控制器參數(shù)，對不同駕駛工況都表現(xiàn)出較好的實時性與燃油經(jīng)濟性；針對Q-learning算法采用二維查值表存儲最優(yōu)值時，面臨高維度或連續(xù)狀態(tài)導(dǎo)致“維度災(zāi)難”，且訓練難以收斂等問題，J. D. WU等[13]采用深度強化學習利用神經(jīng)網(wǎng)絡(luò)擬合最優(yōu)值函數(shù)。

筆者提出基于深度強化學習的油耗與排放多目標綜合優(yōu)化控制策略，采用深度Q網(wǎng)絡(luò)(deep Q-learning network，DQN)算法通過學習和探索的方式獲得最優(yōu)控制策略，該策略以需求功率、蓄電池SOC和SCR溫度為狀態(tài)變量、以電機最優(yōu)輸出功率為輸出變量，能實現(xiàn)從運行工況到電機執(zhí)行端對端的學習與控制。最后將仿真測試結(jié)果與動態(tài)規(guī)劃(dynamic programming，DP)策略進行對比分析，證明所提出控制策略的有效性。

1 插電式柴電混合動力系統(tǒng)建模

以ISG型單軸并聯(lián)式插電式柴電混合動力汽車為研究對象，其整車動力系統(tǒng)結(jié)構(gòu)如圖1。動力系統(tǒng)主要由柴油機、動力電池、濕式離合器、ISG電機、換擋離合器、5檔AMT自動變速器等部分組成，后處理系統(tǒng)采用SCR。電機安裝采用P2構(gòu)型，實現(xiàn)制動能量回收和高效率聯(lián)合驅(qū)動等功能。整車通過CAN總線實現(xiàn)各控制器之間的數(shù)據(jù)通信與車輛狀態(tài)監(jiān)控，整車各部件相關(guān)參數(shù)如表1。

表1 整車各部件性能參數(shù)Table 1 Performance parameters of the vehicle’s components

圖1 PHEV整車動力系統(tǒng)Fig. 1 PHEV powertrain system

1.1 整車縱向動力學模型

忽略車輛橫向動力學影響，假設(shè)整車質(zhì)量集中作用在重心上，根據(jù)車輛行駛過程中受到的滾動阻力Ff、空氣阻力Fw、坡度阻力Fi和加速阻力Fj，其驅(qū)動力平衡方程為：

(1)

式中：M為汽車質(zhì)量；g為重力加速度；f為滾動阻力系數(shù)；α為道路坡度；CD為空阻系數(shù)；A為汽車迎風面積；v為車速；δ為汽車旋轉(zhuǎn)質(zhì)量換算系數(shù)。

不考慮坡度因素即α=0，在給定車速v下由車輛驅(qū)動力平衡方程計算出車輛需求功率和車輪轉(zhuǎn)速分別為：

(2)

(3)

式中：r為車輪半徑。

1.2 動力電池模型

動力電池工作時內(nèi)部具有復(fù)雜的非線性變化過程，筆者忽略溫度對電池特性的影響，建立一階內(nèi)阻電池模型，如圖2。

圖2 電池內(nèi)阻模型Fig. 2 Battery internal resistance model

電池電流I如式(4)：

(4)

電池SOC如式(5)：

(5)

式中：V為電池端電壓；R為電池內(nèi)阻。

1.3 發(fā)動機模型

在混合動力系統(tǒng)控制策略研究中，發(fā)動機模型不考慮復(fù)雜的燃燒過程和動態(tài)響應(yīng)過程，只關(guān)心輸入輸出映射關(guān)系，能準確有效的反應(yīng)發(fā)動機穩(wěn)態(tài)特性即可。因此利用發(fā)動機油耗和排放臺架實驗得到發(fā)動機轉(zhuǎn)矩、轉(zhuǎn)速和燃油消耗量及NOx排放的關(guān)系，通過插值發(fā)動機臺架試驗穩(wěn)態(tài)數(shù)據(jù)建立發(fā)動機油耗和NOx排放數(shù)值模型如圖3、圖4，其表達式為：

圖3 發(fā)動機燃油消耗Fig. 3 Fuel consumption for engine

圖4 發(fā)動機NOx排放Fig. 4 NOx emission for engine

(6)

(7)

式中：geng為發(fā)動機瞬時燃油消耗率；gNOx為發(fā)動機出口瞬時NOx排放率；Teng為發(fā)動機轉(zhuǎn)矩；ωeng為發(fā)動機轉(zhuǎn)速；mfuel為發(fā)動機燃油消耗質(zhì)量；mNOx為發(fā)動機出口NOx排放質(zhì)量。

1.4 后處理系統(tǒng)模型

SCR后處理系統(tǒng)常采用釩基或沸石基作為催化劑，在一定溫度條件下SCR噴射NH3與尾氣中的NOx發(fā)生催化還原反應(yīng)生成N2。SCR催化器轉(zhuǎn)化效率對溫度十分敏感，插電式混合動力汽車工作模式切過程中由于發(fā)動機頻繁啟停引起的發(fā)動機排氣溫度和進氣流速波動明顯，從而導(dǎo)致SCR催化器催化效率降低和排放惡劣[14]。

遵循Eley-Rideal機理[15-16]，假設(shè)SCR催化器中廢氣為不可壓縮等熵流動，只考慮催化器與廢氣的對流換熱以及與周圍環(huán)境的輻射散熱，建立SCR催化器反應(yīng)溫度模型為：

(8)

式中：TSCR為SCR催化器溫度；Mexh為發(fā)動機出口廢氣流速；CSCR為催化層比熱容；h為熱傳遞系數(shù)；Tamb為發(fā)動機環(huán)境溫度；Teng為發(fā)動機出口溫度；Cexh為廢氣比熱容。

2 基于DQN的多目標優(yōu)化控制策略

2.1 強化學習基本原理

強化學習基本思想是智能體通過與環(huán)境之間的相互作用進行不斷學習，從而實現(xiàn)一系列最優(yōu)決策，以得到最大化累計獎勵[17]，基本原理如圖5。

圖5 強化學習示意Fig. 5 Schematic of reinforcement learning

學習者和決策者為智能體，在每個時間步長t(t=0,1,2,3…)，智能體觀測到環(huán)境的狀態(tài)為st(st∈S)，根據(jù)觀測到的環(huán)境狀態(tài)和當前策略做出決策，然后選擇最優(yōu)動作at(at∈A)。環(huán)境接收動作后進入新的狀態(tài)st+1，并給出對應(yīng)的獎勵rt+1，智能體依據(jù)得到的獎勵大小，不斷學習改進其行為策略，以便獲取最大累積獎勵。整個過程為狀態(tài)到行動的轉(zhuǎn)換，如式(9)：

Ht=s0,a0,s1,a1,…,st-1,at-1,st

(9)

定義從t時刻開始的累計獎勵如式(10)：

R(st,at)+γR(st+1,at+1)+γ2R(st+2,at+2)+…

(10)

式(10)簡化如式(11)：

Rt+γRt+1+γ2Rt+2+…

(11)

式中：γ為獎勵衰減因子；Rt為獎勵回報函數(shù)。

強化學習的目標是智能體通過完成一系列動作獲得最大化期望回報，定義如式(12)：

E[Rt+γRt+1+γ2Rt+2+…]

(12)

由于當前動作執(zhí)行時，未來動作和狀況不可知，因此引入狀態(tài)-動作值函數(shù)估計在已知當前狀態(tài)s下，按照某種策略ε行動產(chǎn)生的預(yù)計未來回報?；诓呗驭诺臓顟B(tài)-動作值函數(shù)定義為：

Q(s,a)=Eε[Rt+γRt+1+γ2Rt+2+…|st=s,at=a]

(13)

簡化為：

Q(s,a)=Eε[Rt+γQ(st+1,at+1)|st=s,at=a]

(14)

Q(s,a)表示每個狀態(tài)下的預(yù)計未來回報，基于狀態(tài)-動作值函數(shù)定義則將強化學習目標最大化期望回報轉(zhuǎn)化為最優(yōu)策略ε*，使每一個狀態(tài)的價值最大化：

ε*=argmaxεQ(s,a),?s,a

(15)

2.2 基于強化學習的控制策略問題建模

控制策略本質(zhì)是求解帶約束的優(yōu)化問題，即在滿足循環(huán)工況下駕駛員需求功率、動力總成各部件物理約束情況下，求出最優(yōu)策略使得整車油耗和排放的綜合指標最小化。

基于2.1節(jié)強化學習理論基礎(chǔ)，選取電機輸出功率Pm為控制變量，需求功率、電池SOC和SCR溫度為狀態(tài)變量，將目標函數(shù)定義為帶折扣的累計回報：

(16)

式中：γ為獎勵衰減因子，以保證性能指標函數(shù)的收斂，γ∈[0,1]；R(t)為每個時間步長t內(nèi)由控制變量引起的獎勵回報函數(shù)，由油耗、排放和SOC懲罰項的加權(quán)和組成，定義如式(17)～式(19)：

R(t)=ω1Rfuel(t)+ω2Remis(t)+ω3(SOC-0.4)

(17)

(18)

(19)

系統(tǒng)控制變量表示為：

U(t)=Pmot(t)

(20)

系統(tǒng)狀態(tài)變量表示為：

S(t)=[Preq(t),SOC(t),TSCR(t)]

(21)

系統(tǒng)滿足的物理約束條件為：

式中：SOCmax和SOCmin為電池SOC限值；TSCR,max和TSCR,min為催化器溫度安全限值；Pmot,max和Pmot,min為ISG電機功率限值；Peng,max和Peng,min為發(fā)動機功率限值；Tmot,max和Tmot,min為ISG電機轉(zhuǎn)矩限值；Teng,max和Teng,min為發(fā)動機轉(zhuǎn)矩限值。

系統(tǒng)邊界條件為：

基于強化學習理論將整車油耗和排放量的綜合指標最小化問題轉(zhuǎn)化為尋找最優(yōu)控制策略ε*對應(yīng)的控制動作序列。因此定義最優(yōu)狀態(tài)-動作值函數(shù)Q*(s,a)：

Q*(s,a)=maxεE[Jt|st=s,at=a]

(22)

式中：ε是將狀態(tài)映射到動作的策略，可進一步簡化為：

Q*(s,a)=maxεE[Rt+γQ*(st+1,at+1)|st=s,

at=a]

(23)

最優(yōu)狀態(tài)-動作值函數(shù)Q*(s,a)對應(yīng)的控制量為最優(yōu)控制動作U*。由式(23)可以看出，最優(yōu)狀態(tài)-動作值函數(shù)遵循貝爾曼最優(yōu)性原理，因此可以采用動態(tài)規(guī)劃算法求解以上問題。

2.3 基于DQN算法的控制策略問題求解

實際車輛系統(tǒng)呈現(xiàn)高維連續(xù)特征，采用動態(tài)規(guī)劃求解需要進行離散化，當問題規(guī)模較大時動態(tài)規(guī)劃算法將帶來維度災(zāi)難。深度強化學習將深度學習和強化學習相結(jié)合形成深度Q-learning網(wǎng)絡(luò)，深度學習提供學習機制，強化學習為深度學習提供學習目標，使得深度強化學習具備解決復(fù)雜控制問題的能力[19]，因此可應(yīng)用于插電式混合動力汽車能量管理問題中。筆者提出的基于深度強化學習的插電式混合動力汽車多目標優(yōu)化控制策略原理如圖6。

圖6 控制策略原理Fig. 6 Principle of control strategy

基于深度強化學習的控制策略采用深度神經(jīng)網(wǎng)絡(luò)來擬合最優(yōu)狀態(tài)-動作值函數(shù)Q*(s,a)，即：

Q(s,a,ω)≈Q*(s,a)

(24)

式中：ω為神經(jīng)網(wǎng)絡(luò)的參數(shù)。

為使DQN算法在訓練過程中進行充分學習到更加優(yōu)化的策略，利用ε貪心算法以概率ε選取最優(yōu)Q值對應(yīng)的控制動作，以1-ε的概率隨機選取控制動作。然后采用經(jīng)驗回放方法將每個時間步長t內(nèi)智能體探索環(huán)境得到的經(jīng)驗數(shù)據(jù)，即對應(yīng)的狀態(tài)-動作序列存儲到經(jīng)驗池Dt={e1,e2,…,et}中，如式(25)。最后從經(jīng)驗池中隨機抽取樣本訓練深度神經(jīng)網(wǎng)絡(luò)，這樣不僅消除時間數(shù)據(jù)序列之間的相關(guān)性, 也使得網(wǎng)絡(luò)更新更有效率。

et=(st,at,rt,st+1)

(25)

式中：st為當前狀態(tài)；at為智能體根據(jù)當前狀態(tài)采取的動作；rt為執(zhí)行動作后的獎勵；st+1為下一時刻的狀態(tài)。

DQN算法使用兩個結(jié)構(gòu)完全相同參數(shù)不同的神經(jīng)網(wǎng)絡(luò)進行策略的學習與改進，其中Qtarget網(wǎng)絡(luò)用于計算目標Q值，網(wǎng)絡(luò)參數(shù)不需要迭代更新；Qeval網(wǎng)絡(luò)用于估計當前狀態(tài)下最優(yōu)Q值并產(chǎn)生最優(yōu)的控制動作，且擁有最新的網(wǎng)絡(luò)參數(shù)。每隔一定步長，將Qeval網(wǎng)絡(luò)參數(shù)復(fù)制給Qtarget網(wǎng)絡(luò)，即采用延時更新減少目標Q值和當前估計Q值的相關(guān)性，增加算法穩(wěn)定性。

DQN算法通過最小化損失函數(shù)來進行迭代更新。損失函數(shù)定義為目標Q值與最優(yōu)估計Q值之差的平方：

Q(st,at,ω)]2}

(26)

搭建的Q網(wǎng)絡(luò)采用5層全連接神經(jīng)網(wǎng)絡(luò)如圖7，其包含3個隱含層，神經(jīng)元個數(shù)分別為20、50、100，并使用ReLU(rectified linear unit)激活函數(shù)；輸入層神經(jīng)元個數(shù)為3，主要取決于定義的狀態(tài)變量數(shù)；輸出層使用線性激活函數(shù)，每個輸出代表一個控制動作，共45個控制動作，使用梯度下降優(yōu)化函數(shù)來最小化損失函數(shù)。

圖7 神經(jīng)網(wǎng)絡(luò)架構(gòu)Fig. 7 Neural network architecture

基于DQN的多目標優(yōu)化控制策略算法流程如下：

步驟1:初始化。經(jīng)驗池可存儲狀態(tài)-動作對數(shù)量N、Qeval網(wǎng)絡(luò)權(quán)重參數(shù)ω、Qtarget網(wǎng)絡(luò)權(quán)重參數(shù)ω-=ω。

步驟2：For episode=1:M do

步驟3：獲取初始狀態(tài)Preq(0),SOC(0),TSCR(0)。

步驟4：Fort=1:T do

步驟5：以概率ε選取最優(yōu)Q值對應(yīng)的控制動作at,否則隨機選取控制動作at。

步驟6：執(zhí)行at得到立即獎勵rt，并觀測系統(tǒng)下一時刻狀態(tài)st+1。

步驟7：將經(jīng)驗數(shù)據(jù)et=(st,at,rt,st+1)存儲到經(jīng)驗池D中。

步驟8：從經(jīng)驗池中隨機抽取n個樣本(st,at,rt,st+1)。

步驟9：if當前狀態(tài)為終止狀態(tài)si+1:

yi=ri

else:

步驟10：梯度下降法更新Qeval網(wǎng)絡(luò)權(quán)重，損失函數(shù)為[yi-Q(si,ai;ω)]2。

步驟11：隔C步將Qeval網(wǎng)絡(luò)參數(shù)復(fù)制給Qtarget網(wǎng)絡(luò)。

步驟12：End for。

步驟13：End for。

為了加快網(wǎng)絡(luò)訓練速度，將輸入數(shù)據(jù)進行歸一化處理，通過式(27)、式(28)，將Preq和TSCR范圍壓縮到[0,1]：

(27)

(28)

3 仿真分析

筆者將DQN算法應(yīng)用于插電式柴電混合動力汽車的能量管理控制策略問題，進行油耗與排放多目標綜合優(yōu)化。為了驗證控制策略的有效性，選取NEDC工況對DQN算法進行離線訓練和在線仿真測試，并將仿真結(jié)果與DP算法進行對比分析。動態(tài)規(guī)劃算法不依賴近似計算求極值，能夠得到全局最優(yōu)解，故被廣泛用于混合動力汽車控制策略算法評價。DQN算法的相關(guān)參數(shù)設(shè)置如表2。

表2 DQN算法參數(shù)Table 2 DQN algorithm parameters

圖8為DQN算法在離線訓練過程中的平均損失曲線，在迭代開始時刻損失值快速下降，隨著訓練不斷進行，平均損失逐漸減小，說明了算法能迅速收斂。圖9 為平均累積Q值變化曲線，其反應(yīng)了每個狀態(tài)下智能體獲得的累計折扣回報，能夠穩(wěn)定的反映算法性能[20]。可以看出隨著迭代次數(shù)的增加，網(wǎng)絡(luò)不斷調(diào)整對Q值的過高或過低估計，最終逐漸趨于穩(wěn)定并收斂。

圖8 訓練平均誤差損失Fig. 8 Average training error loss

圖9 平均累積Q值Fig. 9 Average cumulative Q-value

圖10為DQN和DP兩種控制策略對應(yīng)的SOC曲線變化情況，初值SOC均為0.8?？梢妰煞N策略下SOC下降曲線軌跡基本一致，說明DQN能夠得到DP全局最優(yōu)解的近似解。前800 s為ECE工況車輛需求功率較低，電機主要提供輔助動力，SOC下降趨勢平緩，800 s后隨車輛需求功率變大，電機工作時間變長，SOC快速下降，工況結(jié)束時刻均維持在0.42左右。DP控制策略下SOC曲線偏低，主要由采用離散化的狀態(tài)，每個工況點強迫SOC落在定義好的狀態(tài)網(wǎng)格上的誤差導(dǎo)致。

圖10 DQN和DP控制策略的SOC曲線Fig. 10 SOC curve of DQN and DP control strategy

圖11和圖12為電機功率分配和電機工作效率MAP圖。由于訓練數(shù)據(jù)樣本本身存在不穩(wěn)定性，造成訓練得到控制策略具有波動性，引起DQN控制策略下的電機功率輸出在部分地方出現(xiàn)較大的跳動。從電機工作效率MAP圖可以看出，DQN控制策略下對應(yīng)的電機工作點分布相對較為分散，但總體效率與DP控制策略基本相當，進一步說明DQN算法通過訓練能夠獲得優(yōu)化的控制策略。

圖11 電機功率分配Fig. 11 Motor power distribution

圖12 電機工作點在效率MAP圖分布Fig. 12 Distribution of motor load in the efficiency MAP

圖13和圖14為SCR催化器溫度變化曲線和轉(zhuǎn)化效率曲線。由圖13可知，SCR催化器溫度變化分為快速升溫和溫度保持兩個階段。在快速升溫階段，SCR催化器溫度快速升高以提高轉(zhuǎn)化效率，降低SCR催化器出口NOx排放量，DP控制策略下在221 s 內(nèi)達到起燃溫度，DQN控制策略下的起燃時間為248 s，起燃速度與DP控制策略接近；進入溫度保持階段，SCR催化器在最佳工作溫度350 ℃附近上下波動，此時轉(zhuǎn)化效率高達93%，在900 s時由于高需求功率導(dǎo)致SCR催化器溫度不斷升高，轉(zhuǎn)化效率下降13%，但在兩種策略控制作用下又逐漸回歸穩(wěn)定，在此階段DP和DQN控制策略下的SCR催化器溫度變化基本一致。

圖13 SCR溫度變化對比Fig. 13 Comparison of SCR temperature variation

圖14 SCR催化器轉(zhuǎn)化效率Fig. 14 Conversion efficiency of SCR catalytic converter

圖15和圖16為兩種策略下的發(fā)動機工作點在油耗MAP圖和NOx排放MAP圖上的分布情況。為了平衡最優(yōu)燃油經(jīng)濟性與最低NOx排放之間的trade-off關(guān)系，以犧牲部分油耗為代價，減少發(fā)動機出口NOx排放量，因此兩種策略下發(fā)動機均未完全在最優(yōu)的經(jīng)濟區(qū)域內(nèi)工作。在此情況下，DP控制策略得到的燃油消耗量為2.331 L/100 km，DQN控制策略燃油消耗量為2.615 L/100 km，為對應(yīng)DP控制策略油耗的87.82%。在NOx排放方面，DP控制策略下的NOx排放量為0.181 g/km，DQN控制策略下的NOx排放量為0.2275 g/km，為對應(yīng) DP控制策略NOx排放量的74.31%。

圖15 發(fā)動機工作點在油耗MAP圖分布Fig. 15 Distribution of engine load in the fuel consumption MAP

圖16 發(fā)動機工作點在NOx排放MAP圖分布Fig. 16 Distribution of engine load in the NOx emission MAP

DP控制策略和DQN控制策略對比結(jié)果如表3。由表3可以看出，筆者提出的基于深度強化學習的多目標優(yōu)化控制策略可以實現(xiàn)較好的控制效果，兩種控制策略下的SCR起燃時間只相差27 s。整車燃油經(jīng)濟性方面，DQN控制策略的油耗為2.623 L/100 km，為DP控制策略對應(yīng)油耗的89.82%；NOx排放方面，DQN控制策略下的SCR出口NOx排放量為0.2275 g/km，為DP控制策略對應(yīng)NOx排放的74.31%，結(jié)果證明了筆者所提控制策略的有效性。

表3 兩種控制策略下仿真結(jié)果對比Table 3 Comparison of simulation results of two control strategies

4 結(jié) 論

1)為實現(xiàn)插電式柴電混合動力汽車油耗與排放的多目標綜合優(yōu)化，基于強化學習理論給出了多目標函數(shù)定義，并提出了基于DQN算法的多目標優(yōu)化控制策略；

2)在NEDC工況下進行離線訓練得到最優(yōu)的電機功率分配序列，實現(xiàn)了以需求功率、SOC和SCR溫度為狀態(tài)變量，以電機最優(yōu)功率為輸出變量的控制策略；

3)仿真結(jié)果表明，基于深度強化學習的多目標優(yōu)化控制策略取得了較好效果，燃油消耗為2.623 L/100 km，SCR催化器出口NOx排放為0.227 5 g/km，與DP控制策略相比，分別下降10.12%和25.69%，具有實時在線應(yīng)用的潛力。