Predictive Health-Conscious Energy Management Strategy of a Hybrid Multi-Stack Fuel Cell Vehicle
Notice bibliographique
Résumé
The use of a multi-stack fuel cell (FC) hybrid electric vehicle (HEV) has recently attracted a lot of attention as a key to enhance system modularity, efficiency, and redundancy. An essential challenge here is the high operating cost of the FC-HEV, which includes the cost of hydrogen, FC degradation, and energy storage system (ESS). For this purpose, this study proposes a predictive health-conscious (PHC) energy management strategy (EMS) to reduce the total operating cost of a multi-stack FC-HEV. The proposed EMS is a multi-layer strategy. In the upper layer, a rule-based strategy is devised to determine how many FCs should be activated considering the degradation of FCs, requested power, and battery state of charge (SOC) to decrease the hydrogen consumption and prevent extreme FC degradation. The lower layer is a real-time optimization algorithm called model predictive control (MPC) that employs its predictive ability to share the optimal power between FCs and the battery. Unlike the other studies, a new velocity predictor, stacked bidirectional long short-term memory (SBLSTM) networks, is utilized in the lower layer to provide accurate future velocity prediction for the MPC. The performance of the proposed strategy is benchmarked with dynamic programming (DP) and equivalent consumption minimization strategy (ECMS) under two different driving cycles. The obtained results indicate that the proposed PHC-EMS achieves close results to DP (with maximum of 3.728% difference) while outperforming ECMS up to 5.154%.
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 ».