Particle Swarm-Optimized Fuzzy Logic Energy Management of Hybrid Energy Storage in Electric Vehicles
Notice bibliographique
Résumé
A lithium-ion battery–ultracapacitor hybrid energy storage system (HESS) has been recognized as a viable solution to address the limitations of single battery energy sources in electric vehicles (EVs), especially in urban driving conditions, owing to its complementary energy features. However, an energy management strategy (EMS) is required for the optimal performance of the HESS. In this paper, an EMS based on the particle swarm optimization (PSO) of the fuzzy logic controller (FLC) is proposed. It aims to minimize battery current and power peak fluctuations, thereby enhancing its capacity and lifespan, by optimizing the weights of formulated FLC rules using the PSO algorithm. This paper utilizes the battery temperature as the cost function in the optimization problem of the PSO due to the sensitivity of lithium-ion batteries (LIBs) to operating temperature variations compared to ultracapacitors (UCs). An evaluation of optimized FLC using PSO and a developed EV model is conducted under the Urban Dynamometer Driving Schedule (UDDS) and compared with the unoptimized FLC. The result shows that 5.4% of the battery’s capacity was conserved at 25.5 °C, which is the highest operating temperature attained under the proposed strategy.
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 | 0,001 |
| 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 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 ».