Stochastic Range Estimation Algorithms for Electric Vehicles using Data-Driven Learning Models
Abstract:
This work aims at improving the energy consumption forecast of electric vehicles by enhancing the prediction with a notion of uncertainty. The algorithm itself learns from driver and traffic data in a training set to generate accurate, driver-individual energy consumption forecasts.
| Zugehörige Institution(en) am KIT | Institut für Fahrzeugsystemtechnik (FAST) |
| Publikationstyp | Hochschulschrift |
| Publikationsjahr | 2022 |
| Sprache | Englisch |
| Identifikator | ISBN: 978-3-7315-1166-3 ISSN: 1869-6058 KITopen-ID: 1000143200 |
| Verlag | KIT Scientific Publishing |
| Umfang | X, 159 S. |
| Serie | Karlsruher Schriftenreihe Fahrzeugsystemtechnik / Institut für Fahrzeugsystemtechnik ; 96 |
| Art der Arbeit | Dissertation |
| Fakultät | Fakultät für Maschinenbau (MACH) |
| Institut | Institut für Fahrzeugsystemtechnik (FAST) |
| Prüfungsdaten | 23.04.2021 |
| Prüfungsdatum | 23.04.2021 |
| Schlagwörter | Elektromobilität, Vorhersagen, Algorithmen, Fahrzeugtechnik, Energiemanagement, E-Mobility, Forecasting, Algorithms, Vehicle Technology, Energy Management |
| Relationen in KITopen | |
| Referent/Betreuer | Gauterin, F. |
