An Adaptive Regenerative Braking Strategy Design Based on Naturalistic Regeneration Performance for Intelligent Vehicles
Notice bibliographique
Résumé
The effectiveness of regenerative braking strategies plays an important role in extending the driving range of electric vehicles. Since the driver is still an essential factor in levels 3 and 4 of intelligent electric vehicles, improving user acceptance and adoption of the braking control strategy is crucial. This paper puts forward a new regenerative braking strategy to find a compromise between optimal braking control performance and naturalistic regeneration performance while satisfying the maximum speed preference when driving between two-stop events. Unlike other similar works that only maximize regenerative braking energy while satisfying the physical limits of an electrified powertrain, this paper considers naturalistic regeneration performance. To achieve this, firstly, the power regenerated by three drivers is predicted with a long-horizon (30 seconds), using long-short-term memory networks (LSTM) and non-linear autoregressive exogenous model (NARX). Subsequently, an estimation of the energy recovery maximization rate is performed to give a perception of the naturalistic regeneration performance. As this performance varies, the deceleration planning employs three horizon scales of long, medium, and short, determined by the energy recovery maximization rate. Finally, dynamic programming (DP) is utilized to optimize a deceleration profile. The study utilizes real data of inverter efficiency, transmission efficiency, and motor-to-battery efficiency map. The outcome of this study shows that the proposed regeneration braking strategy is adaptive, improving regeneration efficiency by 39,6% for driver 1, 16% for driver 2, and 26% for driver 3, and forecasting the optimality of some deceleration behaviors.
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 | 0,000 | 0,000 |
| 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 ».