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

MNiSW
20
Lista 2024
Status:
Autorzy: Loman Michal, Šarkan Branislav, Małek Arkadiusz, Caban Jacek, Martyna-Syroka Beata, Piotrowska Katarzyna
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2025
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Numer czasopisma: 4
Wolumen/Tom: 7
Strony: 1 - 25
Impact Factor: 2,2
Web of Science® Times Cited: 0
Scopus® Cytowania: 0
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: 17 grudnia 2025
Abstrakty: angielski
This paper presents a methodological framework for inferring energy-related operating states of plug-in hybrid electric vehicles (PHEVs) under conditions of limited and incom- plete on-board diagnostic (OBD) data. The proposed approach is illustrated using a single short real-world urban trip recorded for one PHEV operating in electric mode. Unsu- pervised clustering based on k-means is applied in progressively expanded state spaces (3D–5D) to decompose the driving process into physically interpretable operating states, despite the absence of direct measurements of key variables such as regenerative braking power. Cluster validity indices, per-cluster silhouette values, temporal segmentation, and robustness checks are employed to support the interpretability and internal consistency of the results. The study demonstrates that even a single, non-representative OBD time series contains sufficient internal structure to recover meaningful energy-related information when appropriate state-space decomposition is applied. While no statistical generalization is intended, the results highlight the potential of the proposed framework for analyzing real-world vehicle operation under constrained data availability.