Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

Publikacje Pracowników PL z lat 1990-2010

Publikacje pracowników Politechniki Lubelskie z lat 1990-2010 dostępne są jak dotychczas w starej bazie publikacji
LINK DO STAREJ BAZY

MNiSW
100
Lista 2021
Status:
Autorzy: Mroczek Bartłomiej, Kołodyńska Amanda
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2020
Wersja dokumentu: Elektroniczna
Język: angielski
Wolumen/Tom: 8
Strony: 86947 - 86956
Web of Science® Times Cited: 6
Scopus® Cytowania: 7
Bazy: Web of Science | Scopus
Efekt badań statutowych NIE
Materiał konferencyjny: NIE
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Witryna wydawcy
Wersja tekstu: Ostateczna wersja opublikowana
Czas opublikowania: W momencie opublikowania
Data opublikowania w OA: 29 kwietnia 2020
Abstrakty: angielski
The paper proposes using a predictive model to optimize the use of electricity in the V2G (vehicle to grid) service. The novelty of the mechanism as a kind of model predictive control (MPC) is that it seeks an effective way of managing electric energy in an Electric Vehicle (EV). Additionally, it proposes a new method of predicting the electricity consumption which allows the battery of an electric vehicle to reconcile two sides: both the system’s and the user’s demand will be met at the same time. The model allows for very precise determination of the vehicle’s demand for the energy related to the progressive movement, taking into account the parameters characteristic of a given vehicle model, its suspension structure and aerodynamics. In addition, the machine learning algorithm was proposed for the prediction model as a hybrid (offline and online) of supervised learning. As the first part of the research, by using Matlab/Simulink/dSpace software, a prediction of EV energy consumption was created on a selected route at different times of the day (offline data matrix). At the same time, the simulated route was travelled by a BMW i3 EV (online data matrix). Based on the developed machine learning algorithm the results of the electric energy consumption were compared. The research confirms that if the correct mechanism for prediction of energy consumption by the EV is used, it is possible to define the amount of energy needed for a V2G service. The measurement error was obtained at 0.5%. The added value is setting up the EV energy security of customers after the