MétaCan
Menu
Retour à la cohorte
Enregistrement W4285142492 · doi:10.1109/tpel.2022.3187568

Dual-Inverter-Integrated Three-Phase EV Charger Based on Split-Phase Machine

2022· article· en· W4285142492 sur OpenAlexaff
Caniggia Viana, Mehanathan Pathmanathan, Peter W. Lehn

Notice bibliographique

RevueIEEE Transactions on Power Electronics · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Technologies Research
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésInverterDrivetrainElectrical engineeringComputer scienceThree-phaseElectronic engineeringElectric vehicleTopology (electrical circuits)EngineeringVoltagePower (physics)TorquePhysics

Résumé

récupéré en direct d'OpenAlex

Significant effort has been dedicated to developing integrated onboard charging circuits for electric vehicles, aiming to improve cost, range anxiety, and charging convenience. The dual-inverter drivetrain topology has attracted particular attention as a platform for developing such solutions, being previously leveraged for the implementation of dc and single-phase ac onboard charging. This work proposes an integrated three-phase onboard charger based on the dual-inverter drivetrain. The proposed converter is implemented with minimal change to the dual inverter and no additional power electronics by introducing a split-phase electric machine. A mathematical model is developed, decomposing the system into four decoupled subsystems, individually responsible for charging, driving, grid common-mode current, and zero-sequence current generation, respectively. In light of this model, a novel space-vector pulsewidth modulation technique is introduced to ensure charging current control while generating no flux-producing, nor zero-sequence currents, and having superior common-mode performance. Simulation-based and experimental verification is conducted on a 7.2-kW scaled-down prototype to prove the charging concept, as well as the common-mode current elimination.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,931
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,271
Écart entre enseignants0,259 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Power ElectronicsMême sujetAdvanced Battery Technologies ResearchTravaux en français237 207