基于深度强化学习的混合动力汽车能量管理策略：“利用DQN算法控制电池与发动机
发电机组功率分配”
混动车车主们肯定遇到过这种情况：踩下油门时总在纠结该让电池出力还是发动机介入。这个灵魂
拷问现在交给深度强化学习来解决，效果比人工规则强得不是一星半点。今天咱们就聊聊怎么用DQN算法
玩转混动能量管理，让ECU学会自己分配功率。
先看硬件配置：电池组+发动机发电机组（EGS）的混联结构。状态空间取需求功率和SOC（电池电量），
控制量锁定EGS的输出功率。假设需求功率范围0-80kW，SOC维持在20%-80%，EGS功率离散化为10个档位。
上代码看看Q网络结构：
```python
import torch
import torch.nn as nn
class QNetwork(nn.Module):
def __init__(self, state_dim=2, action_dim=10):
super().__init__()
self.fc1 = nn.Linear(state_dim, 64)
self.fc2 = nn.Linear(64, 128)
self.fc3 = nn.Linear(128, action_dim)
self.activate = nn.ReLU()
def forward(self, state):
x = self.activate(self.fc1(state))
x = self.activate(self.fc2(x))
return self.fc3(x)
```
三层全连接处理状态输入，输出各动作的Q值。注意输入层维度要和状态量对应——这里把需求功率
和SOC归一化到[0,1]区间。输出10个节点对应EGS的10档功率选择。
奖励函数设计是精髓部分：
```python
def calculate_reward(egs_power, demand_power, soc):
battery_power = demand_power - egs_power
fuel_cost = 0.3 * egs_power # 等效燃油消耗
