Hybridfahrzeuge können insbesondere im Schwerlastverkehr dazu beitragen, die seitens der EU vorgegebenen Ziele zur CO2-Flottenreduktion zu erreichen. Um das Potential der Hybridantriebe möglichst weit ausnutzen zu können, sind geeignete, intelligente Energiemanagementstrategien erforderlich. In der Wissenschaft gibt es hierfür erste Ansätze, die auf Maschinellen Lernverfahren beruhen. Neben der Wahl des Algorithmus und seiner Parametrierung haben die verwendeten Trainingsdaten einen wesentlichen Einfluss auf die erlernten Strategien. In den bisher veröffentlichten Ansätzen werden einzelne aufgezeichnete Messfahrten, deren Repräsentativität zu hinterfragen ist, oder standardisierte Fahrprofile verwendet, die wiederum sehr allgemein gehalten sind und vom tatsächlichen Fahrzeugeinsatz abweichen können. In der vorliegenden Arbeit wird untersucht, ob einsatzindividuelle, synthetische Fahrprofile in Simulationsmodellen für das Training solcher Maschineller Lernverfahren zum Energiemanagement geeignet sind und welche Vorteile sich gegenüber einem Training mit standardisierten Profilen ergeben. Es werden zwei Varianten hinsichtlich der vorhandenen Ladeinfrastruktur betrachtet. Das Training erfolgt einerseits mit den einsatzindividuellen und andererseits mit standardisierten Profilen. Als weitere Varianten werden mittels der Dynamischen Programmierung global optimierte Lösungen sowie daraus abgeleitete regelbasierte Steuerstrategien betrachtet. Es zeigt sich, dass die einsatzindividuell trainierten Reinforcement Learning-Agenten zum Energiemanagement sowohl hinsichtlich des Kraftstoffverbrauchs wie auch der Betriebskosten deutlich bessere Ergebnisse liefern als die standardisiert trainierten. Von der optimierten Lösung weichen die einsatzindividuellen Agenten um etwa 2 % ab.weiterlesen