Using the Pareto Set Pursuing Multiobjective Optimization Approach for Hybridization of a Plug-In Hybrid Electric Vehicle
Notice bibliographique
Résumé
A plug-in hybrid electric vehicle (PHEV) can improve fuel economy and emission reduction significantly compared to hybrid electric vehicles and conventional internal combustion engine (ICE) vehicles. Currently there lacks an efficient and effective approach to identify the optimal combination of the battery pack size, electric motor, and engine for PHEVs in the presence of multiple design objectives such as fuel economy, operating cost, and emission. This work proposes a design approach for optimal PHEV hybridization. Through integrating the Pareto set pursuing (PSP) multiobjective optimization algorithm and powertrain system analysis toolkit (PSAT) simulator on a Toyota Prius PHEV platform, 4480 possible combinations of design parameters (20 batteries, 14 motors, and 16 engines) were explored for PHEV20 and PHEV40 powertrain configurations. The proposed approach yielded the optimal solution in a small fraction of computational time, as compared to an exhaustive search. This confirms the efficiency and applicability of PSP to problems with discrete variables. In the design context we have found that battery, motor, and engine collectively define the optimal hybridization scheme, which also varies with the drive cycle and all electric range (AER). The proposed method and software platform could be applied to optimize other powertrain designs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».