Connections Between Temperature Consistency in Battery Pack and Driving Condition of Electric Vehicles: A Naturalistic Driving Study
Notice bibliographique
Résumé
To prevent battery thermal runaway for electric vehicles (EVs), it is necessary to figure out and apply the connections between temperature consistency in battery pack (TCBP) and driving condition to achieve accurate evaluation and diagnosis for temperature inconsistency. This article designed and conducted the naturalistic driving experiments on EVs, and the long-term and high-frequency vehicular running data was used to explore the connection characteristics between TCBP and driving condition for the first time. The microtrip method was adopted to divide EVs’ running segments, and 24 driving condition parameters (DCPs) are extracted for each segment. The principal component analysis (PCA) and k-means algorithm were used to cluster segments into congested, moderate, and smooth driving condition (SDC). For the three driving conditions, the correlation between DCPs and variation coefficient of probe temperature (VCPT) was obtained by calculating their maximum information coefficient (MIC). The importance and influence pattern of DCPs to VCPT was analyzed using random forest (RF) model and ALEs plot, and their quantitative effect on VCPT was calculated by data statistics. Moreover, key DCPs preferably used for TCBP estimation or prediction modeling were identified. The research results provide important insights for the development of adaptive threshold-based evaluation and diagnosis method for temperature inconsistency in EVs’ battery pack.
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 | 0,001 | 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 | 0,001 |
| 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 ».