Integrated Convex Speed Planning and Energy Management for Autonomous Fuel Cell Hybrid Electric Vehicles
Notice bibliographique
Résumé
Fuel cell hybrid electric vehicles (FCHEVs) have zero harmful emissions, fast refueling times, and long driving ranges. Autonomous FCHEVs add benefits such as collision avoidance and driver convenience yet increase vehicle energy usage due to sensors and computation. Thus, it is important to optimize vehicle speed trajectories and the energy management strategy (EMS) of autonomous FCHEVs to minimize energy use. This article uniquely proposes to achieve this goal using convex optimization, with detailed vehicle loss calculations that can be run in real time. The two novel approaches proposed are: 1) the successive method, which solves the speed problem then the EMS problem, and 2) the integrated method, which uniquely feeds back the fuel cell efficiency to the speed algorithm to solve the problem in an iterative integrated manner. The simulation results show that the integrated method uses 0.19% to 2.37% less hydrogen than the successive method on short drive cycles with varying accessory loads, and 10.12%–21.62% less hydrogen than an arbitrary constant speed profile. On longer real-world drive cycles, the integrated method reduces hydrogen use by 1.43% to 2.82% just through speed optimization. Compared to a dynamic programming benchmark, which is not implementable in real time, the integrated method uses less than 1% more hydrogen.
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 | 0,001 | 0,001 |
| 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 ».