MétaCan
Menu
Retour à la cohorte
Enregistrement W2282281571 · doi:10.1109/iecon.2015.7392603

Minimizing battery wear in a hybrid energy storage system using a linear quadratic regulator

2015· article· en· W2282281571 sur OpenAlexafffund
Ephrem Chemali, Lucas McCurlie, Brock Howey, Tyler Stiene, Mohammad Mizanoor Rahman, Matthias Preindl, Ryan Ahmed, Ali Emadi

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Technologies Research
Établissements canadiensMcMaster University
Organismes subventionnairesCanada Excellence Research Chairs, Government of CanadaCanada Research Chairs
Mots-clésBattery (electricity)SupercapacitorLinear-quadratic regulatorEnergy storageElectric vehicleElectric-vehicle batteryAutomotive engineeringAutomotive batteryController (irrigation)Power (physics)Control theory (sociology)Driving rangeDriving cycleElectrical engineeringComputer scienceEngineeringElectrodeControl (management)CapacitancePhysics

Résumé

récupéré en direct d'OpenAlex

A battery-ultracapacitor Hybrid Energy Storage System (HESS) combines the advantages of both Li-ion batteries and ultracapacitors. Li-ion batteries sustain a relatively long electric only driving range but degrade if exposed to high C-rates and large number of cycles. Ultracapacitors are robust, have a quasi infinite cycle life and can sustain highly dynamic power profiles. This paper proposes a HESS Linear Quadratic Regulator (LQR) design to mitigate issues related to battery wear and peak power demands for electric and hybrid electric vehicles. The LQR controller imposes the battery current with a bidirectional power electronic converter that interfaces the battery to the ultracapacitor. The HESS is accurately modeled using experimental battery and ultracapacitor data in conjunction with equivalent circuit models. Simulations are carried out to validate the LQR controller on a UDDS drive cycle. Reduced battery wear is quantified using a spectral analysis of the battery current, which identifies microcycles.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,236
Score d'incertitude au seuil0,817

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,264
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetAdvanced Battery Technologies ResearchTravaux en français237 207