• AI
• EMS
• Hybrid
• Powertrain
• RL

This thesis addresses the energy management strategy for hybrid electric propulsion systems.
In particular, the objective is the development of an adaptive intelligent EMS, in order to use the powertrain more efficiently and satisfy the future emissions regulations which will be based on real driving road tests. There are different types of energy management systems which have been studied to optimize some particular objective on driving speed profiles defined a priori.
DP (Dynamic Programming), with respect to the ECMS (Equivalent Consumption Minimization Strategy), a control strategy which focuses on
the minimization of the equivalent fuel consumption, is a methodology that is capable to get to the optimal control path of any arbitrary target that is imposed to reach. Dynamic Programming is an iterative method used in this thesis to obtain the minimum theoretical value to aim for and to compare the behaviour of an optimized model with respect to different definitions of the cost function in a faster way and regardless of control choice.
The need of manage multi-objective functions and the necessity of control adaptation is the motivation related to the introduction of AI (Artificial Intelligence) in these type of EMSs.
This project proposes the use of different types of control methods, in particular RL (Reinforcement Learning), to ensure a well adaptability of the control algorithm and to permit the control optimization relative to multiple targets.

Questa tesi affronta la strategia di gestione dell'energia per sistemi di propulsione elettrica ibrida. In particolare, l'obiettivo è lo sviluppo di un EMS intelligente adattivo, al fine di utilizzare il gruppo propulsore in modo più efficiente e soddisfare le future normative sulle emissioni, che si baseranno su prove di guida reali su strada. Esistono diversi tipi di sistemi di gestione dell'energia che sono stati studiati per ottimizzare alcuni particolari obiettivi sulla profili di velocità stradali definiti a priori. Il DP (Programmazione Dinamica), rispetto all'ECMS (Strategia di minimizzazione del consumo equivalente), una strategia di controllo incentrata sulla minimizzazione del consumo equivalente di carburante, è una metodologia in grado di ottenere il percorso di controllo ottimale di qualsiasi obiettivo arbitrario che viene imposto di raggiungere. Il Dynamic Programming è un metodo iterativo utilizzato in questa tesi per ottenere il minimo teorico valore a cui tendere e confrontare il comportamento di un modello ottimizzato rispetto a diverse definizioni della funzione di costo in modo più rapido e indipendentemente dalla scelta del controllo. La necessità di gestire funzioni multi-obiettivo e la necessità di adattare il controllo sono le motivazioni relative all'introduzione dell'IA (Intelligenza Artificiale) in queste tipologie di EMS. Questo progetto propone l'uso di diversi tipi di metodi di controllo, in particolare RL (Reinforcement Learning), per garantire una buona adattabilità dell'algoritmo di controllo e per consentire l'ottimizzazione del controllo relativo a più target.