論文の概要: A novel ML-fuzzy control system for optimizing PHEV fuel efficiency and extending electric range under diverse driving conditions
- arxiv url: http://arxiv.org/abs/2412.09499v1
- Date: Thu, 12 Dec 2024 17:47:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-13 13:30:34.255726
- Title: A novel ML-fuzzy control system for optimizing PHEV fuel efficiency and extending electric range under diverse driving conditions
- Title(参考訳): PHEV燃料効率を最適化し、多様な運転条件下での走行距離を延長するMLファジィ制御システム
- Authors: Mehrdad Raeesi, Saba Mansour, Sina Changizian,
- Abstract要約: 本研究では,プラグインハイブリッド電気自動車(PHEV)の革新的な制御システムについて紹介する。
機械学習技術を使用して、車両の純粋な電気モードにおけるエネルギー使用率を予測し、異なる運用モード間での電力割り当てを最適化する。
20kWhのバッテリパックを80%使用して約84kmの完全電界範囲を拡大する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Aiming for a greener transportation future, this study introduces an innovative control system for plug-in hybrid electric vehicles (PHEVs) that utilizes machine learning (ML) techniques to forecast energy usage in the pure electric mode of the vehicle and optimize power allocation across different operational modes, including pure electric, series hybrid, parallel hybrid, and internal combustion operation. The fuzzy logic decision-making process governs the vehicle control system. The performance was assessed under various driving conditions. Key findings include a significant enhancement in pure electric mode efficiency, achieving an extended full-electric range of approximately 84 kilometers on an 80% utilization of a 20-kWh battery pack. During the WLTC driving cycle, the control system reduced fuel consumption to 2.86 L/100km, representing a 20% reduction in gasoline-equivalent fuel consumption. Evaluations of vehicle performance at discrete driving speeds, highlighted effective energy management, with the vehicle battery charging at lower speeds and discharging at higher speeds, showing optimized energy recovery and consumption strategies. Initial battery charge levels notably influenced vehicle performance. A 90% initial charge enabled prolonged all-electric operation, minimizing fuel consumption to 2 L/100km less than that of the base control system. Real-world driving pattern analysis revealed significant variations, with shorter, slower cycles requiring lower fuel consumption due to prioritized electric propulsion, while longer, faster cycles increased internal combustion engine usage. The control system also adapted to different battery state of health (SOH) conditions, with higher SOH facilitating extended electric mode usage, reducing total fuel consumption by up to 2.87 L/100km.
- Abstract(参考訳): 本研究は,車両の純粋な電気モードにおけるエネルギー利用を予測し,純電気,直列ハイブリッド,並列ハイブリッド,内燃運転を含む様々な運転モードにおける電力配分を最適化するために,機械学習(ML)技術を利用したプラグインハイブリッド電気自動車(PHEV)の革新的な制御システムを提案する。
ファジィ論理決定プロセスは、車両制御システムを管理する。
その性能は様々な運転条件で評価された。
主な発見は、純粋な電気モード効率の大幅な向上、20kWhのバッテリーパックの80%の利用で約84kmの完全電界範囲を拡大することである。
WLTCの運転サイクルの間、制御システムは燃料消費量を2.86 L/100kmに減らし、ガソリンと同等の燃料消費量を20%削減した。
個別の運転速度での車両性能の評価では、効率の良いエネルギー管理が強調され、車両のバッテリー充電は低速で、高速で放電され、エネルギー回収と消費戦略が最適化された。
初期のバッテリ充電レベルは、特に車両の性能に影響を及ぼした。
90%の初期チャージにより全電動運転が可能となり、燃料消費はベース制御システムよりも2L/100km小さく抑えられた。
実世界の運転パターン分析では、より短いサイクルでは優先的な電気推進による燃費の低下が要求され、より長いサイクルでは内燃機関の使用が増加した。
制御システムは異なるSOH状態にも適応し、より高いSOHにより電気モードの使用が促進され、総燃費は最大2.87L/100km削減された。
関連論文リスト
- Energy-efficient Hybrid Model Predictive Trajectory Planning for Autonomous Electric Vehicles [5.962979693707366]
本稿では省エネ最適化戦略を用いた省エネハイブリッドモデル予測計画(EHMPP)を提案する。
Prescan、CarSim、Matlabのプラットフォーム上でのシミュレーション実験により、受動的回復エネルギーを11.74%増加させることが実証された。
論文 参考訳(メタデータ) (2024-11-09T08:21:06Z) - Green vehicle routing problem that jointly optimizes delivery speed and routing based on the characteristics of electric vehicles [0.0]
本稿では,実車を用いたエネルギー消費モデルを構築した。
エネルギー消費モデルはまた、車両のスタート/ストップ、速度、距離、および負荷がエネルギー消費に与える影響も含んでいる。
改良された適応遺伝的アルゴリズムは、最もエネルギー効率のよい経路を解くために用いられる。
論文 参考訳(メタデータ) (2024-10-04T08:08:15Z) - Federated Reinforcement Learning for Electric Vehicles Charging Control
on Distribution Networks [42.04263644600909]
マルチエージェント深部強化学習(MADRL)はEV充電制御において有効であることが証明されている。
既存のMADRLベースのアプローチでは、配電ネットワークにおけるEV充電/放電の自然な電力フローを考慮できない。
本稿では,マルチEV充電/放電と最適電力流で動作する放射分布ネットワーク(RDN)を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2023-08-17T05:34:46Z) - Unified Automatic Control of Vehicular Systems with Reinforcement
Learning [64.63619662693068]
本稿では,車載マイクロシミュレーションの合理化手法について述べる。
最小限の手動設計で高性能な制御戦略を発見する。
この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
論文 参考訳(メタデータ) (2022-07-30T16:23:45Z) - A Pulse-and-Glide-driven Adaptive Cruise Control System for Electric
Vehicle [1.8305518556327907]
PGACCS (Pulse-and-Glide-driven Adaptive Cruise Control System) は電気自動車において有望な選択肢である。
本稿では、PGACCSと再生ブレーキの性能評価に基づいて、再生ブレーキとACCSを備えたEVのシミュレーションモデルを構築した。
PnG最適化の結果、PGACCSのPnG運転は従来のACCSのCC運転と比較して、EVの28.3%のエネルギーコストを削減できた。
論文 参考訳(メタデータ) (2022-05-18T01:33:47Z) - Learning Eco-Driving Strategies at Signalized Intersections [1.7682859739940435]
本研究では,効率的なエコドライブ制御戦略を学習するための強化学習手法を提案する。
我々は,学習戦略が燃料消費,CO2排出,旅行時間に与える影響について分析した。
その結果、25%のCAV侵入でも、全燃料および排出削減効果の少なくとも50%を得られることが示唆された。
論文 参考訳(メタデータ) (2022-04-26T19:45:11Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳(メタデータ) (2021-11-13T15:03:44Z) - Optimizing a domestic battery and solar photovoltaic system with deep
reinforcement learning [69.68068088508505]
バッテリーと太陽光発電システムのコストの低下は、ソーラーバッテリーの家庭用システムの増加に繋がった。
本研究では,システム内の電池の充電および放電挙動を最適化するために,深い決定論的ポリシーアルゴリズムを用いる。
論文 参考訳(メタデータ) (2021-09-10T10:59:14Z) - Energy Consumption and Battery Aging Minimization Using a Q-learning
Strategy for a Battery/Ultracapacitor Electric Vehicle [5.842691464468424]
本研究では,Qラーニングに基づく電池劣化とエネルギー消費を最小化するための戦略を提案する。
その結果,Q-ラーニング戦略はバッテリ劣化を13-20%遅くし,車両の走行距離を1.5-2%向上させることが示唆された。
論文 参考訳(メタデータ) (2020-10-27T07:59:54Z) - Universal Battery Performance and Degradation Model for Electric
Aircraft [52.77024349608834]
電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。
我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。
このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
論文 参考訳(メタデータ) (2020-07-06T16:10:54Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳(メタデータ) (2020-02-20T04:58:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。