Evaluation of Real-World Fuel Consumption of Hybrid-Electric Passenger Car Based on Speed-Specific Vehicle Power Distributions
Notice bibliographique
Résumé
Fuel consumption differs between the hybrid electric vehicle (HEV) and the conventional vehicle (CV). However, traditional fuel consumption models developed for CVs are commonly applied to HEVs, which leads to uncertainties in the quantitative evaluation of energy consumption for passenger cars in traffic road networks. Considering the internal combustion engine (ICE) operating modes of hybrid vehicles among varying vehicle specific power (VSP) demand, we present a method to incorporate the HEV ICE speed to develop speed-specific VSP distributions for real-world driving conditions. Using vehicle trajectory and fuel consumption data in real traffic conditions, the results of this study show that the application of methods developed for CVs leads to a significant underestimation of fuel consumption for HEVs when the average speed is in the high-speed range (over 50 km/h) and a significant overestimation of fuel consumption when the average speed is in the low-speed range (below 30 km/h). The average relative error of the measured fuel consumption factor in each speed bin is 7.1% compared with real-world observations, which is an unacceptably large error. This paper proposes a method to develop the speed-specific VSP distribution, considering whether the internal combustion engine (ICE) of HEVs is on or off. This approach reduces the average relative error of the obtained fuel consumption compared with real-world observations to 2.2%, and the measuring accuracy at different average speeds is significantly improved. This method enhances the functionality and applicability of the VSP theory-based traffic energy model for HEVs.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».