Supervisory Real-Time Multidomain Modeling and Hardware Emulation of Fuel-Cell Hybrid Electric Bus Behavioral Transients
Notice bibliographique
Résumé
Real-time device-level multi-domain emulation can provide an accurate insight into behavioral transients of the hydrogen fuel-cell hybrid electric bus (HEB). However, the conventional electromagnetic transient (EMT) simulation suffers from the computation burden caused by the complex multi-domain subsystems. This paper develops a hybrid recurrent neural network (RNN) and EMT method for device-level multi-domain emulation for fuel-cell and battery HEB. Two recurrent neural networks (RNN) are designed and trained to create device-level models of permanent magnet synchronous motor (PMSM) and the modular multilevel converter (MMC), respectively. The IGBTs’ behavioral transients and thermal performance are integrated into the RNN-based MMC model. Moreover, the EMT models represent the energy behaviour of onboard fuel-cell stacks and battery stacks. The proposed multi-domain hybrid models are implemented on the Xilinx Versal™ adaptive compute acceleration platform (ACAP), where multiple AI engines and the programmable logic deal with the RNN and EMT models, respectively. The real-time hardware emulation is carried out at the time-step of 0.1 μs for device-level transients. The results show that the hybrid model has 96.3% accuracy; furthermore, it significantly reduces the HEB emulation time compared to conventional EMT methods.
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 | 0,000 |
| 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) | 0,001 | 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 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 ».