A Comprehensive Review of Topologies and Energy Management Methods for Hybrid Energy Storage Systems in Electric Vehicle Applications
Notice bibliographique
Résumé
Hybrid energy storage systems (HESSs), combining batteries and supercapacitors (SCs), have emerged as a promising solution to address the conflicting demands of high energy density, power density, and cycle life in electric vehicles (EVs). This paper presents a comprehensive and up-to-date review of power converter topologies and energy management strategies (EMSs) for HESS integration in EVs. First, the paper systematically classifies converter architectures into dual-stage, single stage, and quasi-stage topologies to analyze their operational principles, control flexibility, efficiency, and suitability for modern EVapplications. Detailed comparisons of semi-active, fully active, multi-input, and reconfigurable dual-stage converters, as well as advanced single-stage multi-source inverter (MSI) configurations along with quasi-single-stage and quasi-dual-stage topologies, are provided. Next, the EMSs applicable to HESSs in EVs are reviewed and categorized into rule-based, optimization based, machine learning (ML)-based, and hybrid methodologies. Recent advances in ML, particularly reinforcement learning (RL) algorithms, are critically examined for their potential in enabling adaptive, model-free energy management under complex and uncertain driving conditions. Comprehensive tables and comparative analyses highlight the strengths, limitations, and validation methods of leading techniques. Finally, the paper identifies key trends, technical challenges, and research gaps, and discusses future research directions to guide the co-design of converter topologies and intelligent EMSs for next-generation EVs.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».