Designing a Real-Time Implementable Optimal Adaptive Cruise Control for Improving Battery Health and Energy Consumption in EVs through V2V Communication
Notice bibliographique
Résumé
Battery electric vehicles (BEVs) face challenges like their limited all-electric range, the discrepancy between promised and actual energy efficiency, and battery health degradation, despite their environmental benefits. This article proposes an optimal adaptive cruise control (OACC) framework by leveraging ideal vehicle-to-vehicle communication to address these challenges. In a connected vehicle environment, where it is assumed that the Ego vehicle’s vehicle control unit (VCU) accurately knows the speed and position of the Leading vehicle, the VCU can optimally plan the acceleration trajectory for a short-term future time window through a model predictive control (MPC) framework tailored to BEVs. The primary objective of the OACC is to reduce the energy consumption and battery state-of-health degradation of a BEV. The Chevrolet Spark 2015 is chosen as the BEV platform used to validate the effectiveness of the proposed OACC. Simulations conducted under urban and highway driving conditions, as well as under communication delay and infused noise, resulted in up to a 3.7% reduction in energy consumption and a 9.7% reduction in battery state-of-health (SOH) degradation, demonstrating the effectiveness and robustness of the proposed OACC.
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 ».