Distributed Control of Active Cell Balancing and Low-Voltage Bus Regulation in Electric Vehicles Using Hierarchical Model-Predictive Control
Notice bibliographique
Résumé
Electric vehicle (EV) battery performance near end of life is limited by mismatched cell degradation, leading to an estimated 5-10% cell capacity variation across the pack. Active cell balancing hardware architectures incorporating a low-voltage (LV) bus supply have been introduced to unlock lost capacity due to cell imbalance at reduced cost, through elimination of the vehicle's 400-to-12 V dc-dc converter. In this article, a hierarchical model-predictive control scheme is applied to a time-shared isolated converter active balancing architecture that incorporates LV bus supply. The proposed controller efficiently divides computation among the battery management system (BMS) hardware components. The energy-buffering capability of the lead-acid battery, which is connected to the LV bus, is used to tradeoff balancing and bus regulation objectives, reducing peak power and improving the system cost-effectiveness. Simultaneous state-of-charge balancing and LV bus regulation is verified in simulation and experiment using real-world drive and LV load data collected from a GM Bolt EV. Similar controller performance compared to a central scheme is achieved in simulation. The experimental setup includes a custom 12S2P, 3.9 kWh, liquid-cooled Lithium Nickel Manganese Cobalt battery module with an embedded BMS. The controller performance is evaluated with an initial maximum state-of-charge imbalance of 6.8%.
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 | 0,001 |
| 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 | 0,002 |
| 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 ».