Battery modeling approaches and management techniques for Plug-in Hybrid Electric Vehicles
Notice bibliographique
Résumé
Batteries play a critical role in Hybrid Electric Vehicles (HEV) and Plug-In HEV (PHEV) as one of the main energy sources because of their high energy density. Therefore, for designing purposes suitable battery models are necessary. Batteries have very nonlinear behavior and are dependent on many factors such as chemistry, temperature, load profile, charge/discharge algorithm, age, etc. Modeling the behaviors of the batteries can be achieved using different approaches and techniques. The more accurate battery model is, the more reliable results are obtained using simulation softwares. However, increasing the accuracy of the model increases the complexity of the whole system model and also the time of the simulations. In the case of vehicular applications batteries are used as packs of hundreds of cells which adds to the complexity of the model, since some behaviors are exaggerated. Besides, some effects such as the difference in state-of-charge of different cells which leads to the age reductions of the whole battery pack, or for example the temperature difference of the cells in different places of the pack cannot be ignored. For optimal designing purposes there should be a kind of tradeoff between accuracy and complexity. There are various battery models based on various approaches and techniques in the literature which may cause confusion. This paper tries to summarize and categorize different battery models with main focus on vehicular applications.
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 | 0,000 | 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 ».