Optimal Hybridization of Battery, Engine and Motor for PHEV20
Notice bibliographique
Résumé
A plug-in hybrid electric vehicle (PHEV) relies on relatively larger storage batteries than conventional hybrid electric vehicles. The characteristics of PHEV batteries, as well as hybridization of the PHEV battery with the engine and electric motor, play an important role in the design and potential adoption of PHEVs. To exhaustively evaluate all the possible combinations of available types of batteries, motors and engines, the total computational time is prohibitive. This work proposed an integrated optimal design strategy to address this problem. The recently developed Pareto set pursuing (PSP) multi-objective optimization approach is employed to perform optimal hybridization. Each PHEV with chosen battery, motor and engine is designed for optimal component sizing using the Powertrain System Analysis Toolkit (PSAT) software. The methodology is demonstrated with the Toyota Prius PHEV20: PHEV version sized for 20 miles (32.1 km) of all electric range (AER). Fuel economy, operating cost, and green house gases emissions are simultaneously optimized from 4,480 possible combinations of design parameters: 20 batteries, 14 motors, and 16 engines. The hybridization optimization is performed on two different drive cycles—Urban dynamometer driving schedule (UDDS) and Winnipeg weekday duty cycle (WWDC). It was found that battery, motor, and engine work collectively to define an optimal hybridization scheme and the optimal hybridization scheme varies with each driving cycle. 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 | 0,000 | 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 ».