Optimizing Low Pass Filter Cut-off Frequency for Energy Management in Electric Vehicles with Hybrid Energy Storage Systems
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
Mitigating pollution in the transportation sector necessitates the deployment of zeroemission solutions, such as electric vehicles (EVs).One significant challenge with EVs is the limited lifespan of the battery, a key and costly component.To circumvent this issue, a potential solution lies in the integration of batteries with supercapacitors to create a Hybrid Energy Storage System (HESS).This combination can notably decrease the peak current of the battery, thereby prolonging its lifespan, and ultimately, contributing to the long-term cost-effectiveness of EVs.A critical component of the HESS is the Energy Management Strategy (EMS), tasked with optimizing energy distribution.A Low-Pass Filter (LPF) serves as an uncomplicated, real-time EMS.The current study introduces a novel approach for determining the optimal cut-off frequency of the LPF, termed the Ragone Plot with Fine Tuning (RPFT).The Ragone plot provides a general cut-off frequency for the battery and drive cycle, while fine-tuning is employed to optimize it.Simulation results reveal that the RPFT method outperforms the Fast Fourier Transform (FFT) method, thereby proving its efficacy.The application of RPFT resulted in a reduction of battery peak current and battery current root mean square (BCRMS) by up to 29.80% and 9.99%, respectively.This study offers valuable insights for improving energy management in electric vehicles and underscores the potential of the RPFT method in extending battery lifespan and enhancing the costeffectiveness of EVs.
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) | 0,000 | 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 découle