Energy Management Strategies for Fuel Cell Vehicles: A Comprehensive Review of the Latest Progress in Modeling, Strategies, and Future Prospects
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Fuel cell vehicles (FCVs) are considered a promising solution for reducing emissions caused by the transportation sector. An energy management strategy (EMS) is undeniably essential in increasing hydrogen economy, component lifetime, and driving range. While the existing EMSs provide a range of performance levels, they suffer from significant shortcomings in robustness, durability, and adaptability, which prohibit the FCV from reaching its full potential in the vehicle industry. After introducing the fundamental EMS problem, this review article provides a detailed description of the FCV powertrain system modeling, including typical modeling, degradation modeling, and thermal modeling, for designing an EMS. Subsequently, an in-depth analysis of various EMS evolutions, including rule-based and optimization-based, is carried out, along with a thorough review of the recent advances. Unlike similar studies, this paper mainly highlights the significance of the latest contributions, such as advanced control theories, optimization algorithms, artificial intelligence (AI), and multi-stack fuel cell systems (MFCSs). Afterward, the verification methods of EMSs are classified and summarized. Ultimately, this work illuminates future research directions and prospects from multi-disciplinary standpoints for the first time. The overarching goal of this work is to stimulate more innovative thoughts and solutions for improving the operational performance, efficiency, and safety of FCV powertrains.
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.
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) | 0,001 | 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 découle