Model Predictive Control of HVAC System in a Battery Electric Vehicle with Fan Power Adaptation for Improved Efficiency and Online Estimation of Ambient Temperature
Notice bibliographique
Résumé
This paper introduces an improved real-time Model Predictive Climate Control (MPCC) technique to reduce power consumption in Heating, Ventilation and Air Conditioning (HVAC) system of the Battery Electric Vehicles (BEVs). In the presented control technique, the fan, heating and cooling power usage is optimized considering the effect of the ambient temperature. Moreover, the need of a physical temperature measurement sensor is eliminated using an ambient temperature observer. In a typical BEV, the HVAC load is significant and it influences the overall vehicle performance and driving range. Therefore, a real-time control system capable of maintaining desired cabin temperature while achieving maximum HVAC efficiency is highly desirable. In the proposed MPCC, the optimum split of the battery power between the heating\cooling and the fan power is identified as a function of ambient temperature through an offline optimization process and used in the form of a lookup-table for real-time implementation. It is demonstrated that the proposed MPCC improves energy consumption efficiency of the entire HVAC system up to 5% by dynamically adapting to the variations in the ambient temperature. Furthermore, owing to the online temperature observation process, the proposed HVAC control system allows elimination of ambient temperature sensor and corresponding maintenance efforts. In this paper, the performance of the proposed MPCC is evaluated over a single-zone HVAC model of a BEV in MATLAB\Simulink <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">®</sup> environment.
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 ».