A stochastic power management strategy with skid avoidance for improving\n energy efficiency of in-wheel motor electric vehicles
Notice bibliographique
Résumé
In this study, a stochastic power management strategy for in-wheel motor\nelectric vehicles (IWM-EV) is proposed to reduce the energy consumption and\nincrease the driving range by considering the unpredictable nature of the\ndriving power demand. A stochastic dynamic programming (SDP) approach, policy\niteration algorithm, is used to create an infinite horizon problem formulation\nto calculate optimal power distribution policies for the vehicle. The developed\nSDP strategy distributes the demanded power, between the front and rear IWMs by\nconsidering states of the vehicle, including the vehicle speed and the front\nand the rear wheels' slip ratios. In addition, a skid avoidance rule is added\nto the power management strategy to maintain the wheels' slip ratios within the\ndesired values. Undesirable slip ratios cause poor brake and traction control\nperformances and therefore should be avoided. The resulting strategy consists\nof a time- invariant, rule-based controller which is fast enough for real-time\nimplementations, and additionally, it is not expensive to be launched since the\nfuture power demand is approximated without a need to vehicle communication\nsystems or telemetric capability. A high-fidelity model of an IWM-EV is\ndeveloped in the Autonomie/Simulink environment for evaluating the proposed\nstrategy. The simulation results show that the proposed SDP strategy is more\nefficient in comparison to some benchmark strategies, such as an equal power\ndistribution (ED) and generalized rule- based dynamic programming (GRDP). The\nsimulation results of different driving scenarios for the considered IWM-EV\nshows the proposed power management strategy leads to considerable energy\nconsumption reduction in average, at no additional cost.\n
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) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».