Modular Multiport Electric-Vehicle DC Fast-Charge Station Assisted by a Dynamically Reconfigurable Stationary Battery
Notice bibliographique
Résumé
Multiport battery-assisted dc fast charger (BA-DCFC) stations enable high charge rates of electric vehicles (EVs) at sites that have insufficient grid capacity. However, BA-DCFCs are expensive and inefficient due to the battery energy storage system (BESS) and high-power isolated dc–dc converters that interface the BESS and EV charging ports. This article presents a modular multiport dc linear fast charger (LFC) for EVs, which uses a stationary, reconfigurable battery energy storage system (rBESS), a current-mode, digitally controlled bidirectional linear regulator (LR), and a contactor matrix. The LFC LR increases the overall station efficiency and eliminates the volume and cooling complexity associated with the high-power magnetics, high-voltage capacitors, and high-frequency switches of state-of-the-art (SotA) isolated dc–dc converters. Compared to a SotA isolated dc–dc converter, the LR experiences 83.6% less loss for the same rated EV charge power. Over a day of typical operation, a three-port LFC station is shown to have 28% less loss than a state-of-the-art BA-DCFC, with an average efficiency of 93.4%. The LFC achieves redundancy at the station, BESS, and LR levels while also integrating active balancing of state-of-charge/health without auxiliary switched-mode converters. The proposed system is verified using full-scale transient simulations and experimental results from a scaled, hardware-in-loop implementation with a custom LR and series-connected battery modules.
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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».