Real-Time Implementable Integrated Energy and Cabin Temperature Management for Battery Life Extension in Electric Vehicles
Notice bibliographique
Résumé
Among many emerging technologies, battery electric vehicles (BEVs) have emerged as a prominent and highly supported solution to stringent emissions regulations. However, despite their increasing popularity, key challenges that might jeopardize their further spread are the lack of charging infrastructure, battery life degradation, and the discrepancy between the actual and promised all-electric driving range. The primary focus of this paper is to formulate an integrated energy and thermal comfort management (IETM) strategy. This strategy optimally manages the electrical energy required by the heating, ventilation, and air conditioning (HVAC) unit, the most impacting auxiliary in terms of battery load, to minimize battery life degradation over any specific drive cycle while ensuring the actual cabin temperature hovers within the permissible tolerance limit from the reference cabin temperature and the driver-requested traction power is always satisfied. This work incorporates a state-of-health (SOH) estimation model, a high-fidelity cabin thermodynamics model, and an HVAC model into the forward-approach simulation model of a commercially available BEV to showcase the impact and efficacy of the proposed IETM strategy for enhancing battery longevity. The instantaneous optimization problem of IETM is solved by the golden-section search method leveraging the convexity of the objective function. Simulated results under different driving scenarios show that the improvement brought by the proposed ITEM controller can minimize battery health degradation by up to 4.5% and energy consumption by up to 2.8% while maintaining the cabin temperature deviation within permissible limits from the reference temperature.
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 ».