Improved regenerative braking in electric vehicles through switch selection optimization
Notice bibliographique
Résumé
Transportation electrification is at the core of the possible solutions to many challenges the world is currently facing. Efficient vehicle electrification has the potential to simultaneously reduce greenhouse gasses emissions and to tackle range anxiety issues. Among different strategies for advancements in Electric Vehicle (EV) efficiency, enhancing Regenerative Braking (REGEN) capabilities is an area with opportunities. As REGEN faces different impediments, upgrades in safety, efficiency, and/or battery quality of life are usually accompanied with further strain in energy management schemes, limiting REGEN performance. Power Electronics (PE) improvements are among the options that have the potential to benefit REGEN and overall efficiency. This work proposes a method to improves REGEN without adding extra stress on the other aspects that limit its performance, by optimizing PE-stage switch selection using openly available, manufacturer-provided data. To do so, the thesis develops a flexible simulation platform capable of: 1) integrating various subsystem modeling approaches, 2) analyzing different EV configurations, architectures, and components, and 3) analyzing the dynamic behavior of the Battery Electric Vehicle (BEV) while maintaining low simulation time. It also adopts a multiobjective optimization approach that gives the user freedom to define the weight of the objectives, as well as to include new objectives at any time - as long as the initial design choices do not change. The combination of a simulation platform suited for model-based design and an optimization formulation yields a method that fits well within the Design Automation (DA) framework. Therefore, the thesis is constructed with the framework as a guideline. The simulations show that proper switch selection can improve REGEN by over 18% and EV range efficiency by over 20%. The solution is corroborated by the results of the sensitivity and the robustness analysis.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».