Heun’s Method-Based Predictive Control With Reduced Power Ripple and Enhanced Efficiency for an Off-Board EV Battery Charger
Notice bibliographique
Résumé
The use of the Euler approach in the formulation of predictive control methods for off-board electric vehicle (EV) battery chargers significantly affects the prediction accuracy of control variables, which further leads to high switching frequency operation and higher power ripples on both the grid and battery sides of the charger. To address the aforementioned challenges, Heun’s approach is proposed to formulate the predictive power control (PPC) for ac–dc converter stage and predictive current control (PCC) for dc–dc converter stage in an off-board EV battery charger in this article. In addition, an inherent relationship between the ac and dc-side powers of the charger is developed, thereby eliminating the need for external proportional-integral controller and weighting factor dependent cost function to regulate the dc-link capacitor voltage with the proposed approach. Furthermore, the proposed Heun’s approach is designed with predictor and corrector stages, leading to an enhanced accuracy in the prediction process of control variables. This further results in superior harmonic performance and low power ripples on grid and battery-sides of the charger. Also, the use of Heun’s approach in the formulation of PPC and PCC methods reduce the switching frequency of the ac–dc and dc–dc converters, resulting in lower power losses and higher efficiency of the charger. The efficacy of the proposed Heun’s method-based PPC and PCC is investigated on a scaled-down laboratory prototype of an off-board EV battery charger with dSPACE-DS1202 control platform. Finally, the performance of the proposed method is benchmarked with the Euler-based predictive control methods for a battery charger.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».