Numerical Study on Heating Performance Characteristics of a Heat Pump System Recovering Battery Heat for Electric Vehicles
Notice bibliographique
Résumé
These days, the most important issue for electric vehicles (EVs) is to increase driving performance within a limited battery capacity.One of the main factors affecting driving performance is the heating efficiency of the EVs' heating system.The heating efficiency decreases as the ambient temperature decreases, and more power is needed to improve the heating performance.As a result, the mileage decreases [1].To overcome this issue, research about a heat pump system in EVs has been actively conducted.The heat pump has the advantage of excellent heating efficiency with less power consumption.In addition, it is possible to adapt a waste heat recovering system to a heat pump cycle.As the amount of energy available for the heat pump cycle increases, a heating efficiency of the cycle can be improved [2].However, studies on the heat pump system recovering battery heat are hardly conducted [3].In this study, the objective is to evaluate the heating and driving performance improvement of the heat pump system recovering battery heat under various operating conditions.Python was used for composing the simulation of EVs' heat pump cycle.Python has advantages of high productivity and versatility.The major components are composed of a compressor, a condenser, an expansion valve, and an evaporator.The simulation is validated by comparing the heat pump experimental data.The heating and driving performance of the battery heat recovering system are analyzed according to various cycle operating and battery conditions.For the cycle operating conditions, indoor temperature, external temperature, heat load amount, overheating degree, and supercooling degree are considered.For battery conditions, battery discharge rate, coolant temperature, and flow rate are considered.The heating coefficient of performance (COP) and mileage are investigated according to changes in the battery discharge rate, coolant temperature, and coolant flow rate.The heat recovery efficiency and heating COP increases as the battery discharge rate increases, because the chemical reaction increases the amount of the heat and the coolant temperature.On the other hand, as the discharge rate increases, the efficiency of the battery decreases which resulting in a decrease of the mileage decrease.As the coolant temperature increases, the heating COP increases, and the mileage decreases.This is because the efficiency of battery heat recovery increases as the temperature difference between the coolant and the outside of the vehicle increases.As the coolant flow rate increases, the heating COP and the milage decreases.As the flow rate increases, the coolant temperature decreases owing to the decreased heat recovery efficiency.In addition, the power consumption increases as the pump power increases.The battery heat recovering heat pump system shows better heating efficiency and increases mileage in electric vehicles.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».