Original title: Využití neuronové sítě pro řízení energetického toku elektromobilu
Translated title: Use of a neural network to control the energy flow of an electric car
Authors: Hlaváč, Petr ; Píštěk, Václav (referee) ; Kučera, Pavel (advisor)
Document type: Master’s theses
Year: 2026
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract: [cze] [eng]
Tato diplomová práce řeší problematiku optimalizace energetického managementu bateriového elektromobilu s využitím zpětnovazebního učení. Cílem je návrh adaptivního řízení rozdělujícího dostupný elektrický výkon mezi trakční pohon, klimatizaci kabiny a tepelný management baterie tak, aby byl maximalizován dojezd vozidla při zachování komfortu a bezpečných provozních teplot baterie. Pro tento účel je v prostředí MATLAB/Simulink sestaven matematický model elektromobilu Škoda Enyaq iV60 zahrnující longitudinální dynamiku, model elektromotoru s rekuperací, tepelný model kabiny i baterie a pravidlovou ochrannou logiku. Identický model je následně replikován v jazyce Python jako prostředí kompatibilní s rozhraním Gymnasium, ve kterém je trénován agent založený na algoritmu Proximal Policy Optimization (PPO) z knihovny StableBaselines3. Natrénovaná strategie je porovnána s referenčními pravidlovými přístupy Normal a ECO na cyklech WLTP Class 3, NEDC, FTP75 a US06 při třech teplotních scénářích. Práce kvantifikuje přínos zpětnovazebního učení oproti baseline strategiím a diskutuje proveditelnost nasazení takového řídicího systému v reálném vozidle z hlediska funkční bezpečnosti podle normy ISO 26262 a požadavků na systémy umělé inteligence dle ISO/IEC 42001. This master's thesis addresses the optimization of energy management of a battery electric vehicle by means of reinforcement learning. The goal is to design an adaptive controller that distributes the available electrical power between the traction drivetrain, the cabin HVAC system and the battery thermal management so that vehicle range is maximized while preserving cabin comfort and safe battery operating temperatures. To this end, a mathematical model of the Škoda Enyaq iV60 battery electric vehicle is built in MATLAB/Simulink, covering longitudinal vehicle dynamics, the electric motor with regenerative braking, the cabin and battery thermal models, and rulebased protective logic. The same model is then replicated in Python as a Gymnasiumcompatible environment in which an agent based on the Proximal Policy Optimization (PPO) algorithm is trained using the StableBaselines3 library. The learned policy is compared against rulebased reference strategies (Normal and ECO) on the WLTP Class 3, NEDC, FTP75 and US06 driving cycles under three ambient temperature scenarios. The thesis quantifies the benefit of reinforcement learning over the baseline strategies and discusses the feasibility of deploying such a controller in a production vehicle with respect to functional safety according to ISO 26262 and AI management requirements according to ISO/IEC 42001.
Keywords: battery thermal management; driving range; electric vehicle; energy management; HVAC; MATLAB/Simulink; neural networks; Proximal Policy Optimization; reinforcement learning; dojezd; elektromobil; energetický management; HVAC; MATLAB/Simulink; neuronové sítě; Proximal Policy Optimization; tepelný management baterie; zpětnovazební učení

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/259754

Permalink: http://www.nusl.cz/ntk/nusl-777085


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses