Hybrid Energy Storage System for Hybrid and Electric Vehicles: Review and a New Control Strategy
Notice bibliographique
Résumé
Onboard energy storage system (ESS) plays a major role for vehicle electrification. The performance of hybrid electric vehicle (HEV), plug-in HEV (PHEV), extended range electric vehicle (EREV), fuel cell vehicle (FCV), and electric vehicles (EV) heavily depends upon their ESS technology. The ESS must be able to store sufficient energy for adequate pure electric range, provide adequate peak power for needed vehicle performance under various driving cycles, absorb energy efficiently during regenerative breaking, and have long operation life and low costs. At present, pure battery based ESS often cannot effectively meet all these requirements due to many trade-offs. In order to improve the overall performance of ESS, integration of two (or more) energy sources have been studied to best utilize the unique characteristics of each, leading to a hybrid energy storage system (HESS). Hybridization of high-energy batteries and ultracapacitors with complementary characteristics present a common choice today. In this paper, the necessity and superiority of a HESS are illustrated considering system performance, efficiency, costs, functional life, and temperature requirements. Three major types of battery-ultracapacitor HESS, passive, semi-active and fully active, are presented. Various HESS control strategies proposed in the past are then reviewed, including rules or reference curves and tables based control, fuzzy logic control, and closed-loop control. Building upon these review and analyses, a novel control strategy based on signal separation using sparse coding is proposed at the end.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».