Power-Electronics-Based Solutions for Plug-in Hybrid Electric Vehicle Energy Storage and Management Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Batteries, ultracapacitors (UCs), and fuel cells are widely being proposed for electric vehicles (EVs) and plug-in hybrid EVs (PHEVs) as an electric power source or an energy storage unit. In general, the design of an intelligent control strategy for coordinated power distribution is a critical issue for UC-supported PHEV power systems. Implementation of several control methods has been presented in the past, with the goal of improving battery life and overall vehicle efficiency. It is clear that the control objectives vary with respect to vehicle velocity, power demand, and state of charge of both the batteries and UCs. Hence, an optimal control strategy design is the most critical aspect of an all-electric/plug-in hybrid electric vehicle operational characteristic. Although much effort has been made to improve the life of PHEV energy storage systems (ESSs), including research on energy storage device chemistries, this paper, on the contrary, highlights the fact that the fundamental problem lies within the design of power-electronics-based energy-management converters and the development of smarter control algorithms. This paper initially discusses battery and UC characteristics and then goes on to provide a detailed comparison of various proposed control strategies and proposes the use of precise power electronic converter topologies. Finally, this paper summarizes the benefits of the various techniques and suggests the most viable solutions for on-board power management, more specific to PHEVs with multiple/hybrid ESSs.
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.
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 | 0,001 | 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 | 0,001 |
| 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 découle