Adaptive Real-Time Energy Management of a Multi-Mode Hybrid Electric Powertrain
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Meticulous design of the energy management control algorithm is required to exploit all fuel-saving potentials of a hybrid electric vehicle. Equivalent consumption minimization strategy is a well-known representative of on-line strategies that can give near-optimal solutions without knowing the future driving tasks. In this context, this paper aims to propose an adaptive real-time equivalent consumption minimization strategy for a multi-mode hybrid electric powertrain. With the help of road recognition and vehicle speed prediction techniques, future driving conditions can be predicted over a certain horizon. Based on the predicted power demand, the optimal equivalence factor is calculated in advance by using bisection method and implemented for the upcoming driving period. In such a way, the equivalence factor is updated periodically to achieve charge sustaining operation and optimality. To verify the performance of the adaptive strategy, simulation has been conducted under city and highway driving cycles. Optimal solutions of the equivalence factor and the control outputs, i.e., engine speed and torque, are presented. Results show that the adaptive strategy can maintain battery charge sustaining operation, although there is a drawback that engine activation sometimes happens when vehicle is decelerating or braking. A comparative study is also conducted to verify the fuel economy of the proposed strategy. It is shown that with adaptive strategy, fuel consumption is increased by 9.737% in city driving and 2.409% in highway driving.</div></div>
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».