An MPC-Based Control Strategy for Electric Vehicle Battery Cooling Considering Energy Saving and Battery Lifespan
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
In order to keep a lithium-ion battery within optimal temperature range for excellent performance and long lifespan, it is necessary to have an effective control strategy for a battery thermal management system (BTMS) consisting of electric pump, cooling plate and radiator. In this paper, a control-oriented model for BTMS is established, and an intelligent model predictive control (IMPC) strategy is developed by integrating a neural network-based vehicle speed predictor and a target battery temperature adaptor based on Pareto boundaries. The strategy is applied to plug-in electric vehicles operating in electric vehicle mode. Results show its superiority in terms of battery temperature control, battery lifespan extension and energy saving. Under the new European driving cycle, average difference between the real-time battery temperature under the novel IMPC and its target temperature is 0.26 °C, and maximum temperature difference among modules is 1.03 °C. Moreover, compared with the on-off controller, model predictive control (MPC), and MPC with VSP, state of health under IMPC at the end of the driving cycle is 0.016%, 0.012%, and 0.008% higher, respectively. At this moment, the energy consumption of IMPC is 24.5% and 14.1% lower than that of the on-off controller and traditional MPC, respectively.
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 | 0,001 | 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