MCC Ref. No.:  103361‐369WO1  SYSTEMS AND METHODS FOR OPTIMAL ENERGY MANAGEMENT BAS ED ON TIME SERIES  FORECASTING OF POWER LOAD     CROSS‐REFERENCE TO RELATED APPLICATIONS  [0001]     This application claims the benefit of U.S. provision al patent application No.  63/408,626, filed on September 21, 2022, and titled  “CABIN LOAD PREDICTION USING TIME  SERIES FORECASTING FOR LONG HAUL TRUCKS FOR OPTIMAL  ENERGY MANAGEMENT,” the  disclosure of which is expressly incorporated herein  by reference in its entirety.    STATEMENT REGARDING FEDERALLY FUNDED RESEARCH  [0002]     This invention was made with government support under  DE‐EE0008265  awarded by the Department of Energy. The government  has certain rights in the invention.    BACKGROUND  [0003]     Long‐haul trucks are a major form of transportation , and consume significant  amounts of energy. A long‐haul truck can be used  in trips that last multiple days, and a driver  may live aboard the truck during the trip. When a  driver lives aboard a truck, it can be referred  to as “hoteling,” and the electric usage during  hoteling can be referred to as “cabin loads.”   Currently, many long haul trucks run on diesel fuel,  which can be a significant emitter of CO2  and other types of pollution. Hoteling can add to t hese emissions because drivers can use  appliances, HVAC (heating, ventilation and air conditi oning) systems, entertainment devices,  and other electrical devices. Drivers may need to ru n the diesel truck engine to supply these  loads, which generates additional emissions.   MCC Ref. No.:  103361‐369WO1  [0004]     Hybrid and electric power trains can be used to rep lace and/or supplement  existing diesel power trains on long haul trucks. Th ese hybrid and electric power trains include  energy storage systems (e.g., batteries) that can be� �used to propel the truck using the stored  energy. These energy storage systems can also be ade quate to supply power for cabin loads  during hoteling periods. To rely on the energy stora ge systems during hoteling periods, the  energy storage systems must be charged sufficiently t o supply the cabin loads.     SUMMARY   [0005]     Systems and methods for performing optimized energy m anagement are  described herein. In some implementations described he rein, the systems and methods can be  used to optimize energy management in a long‐haul  truck so that an energy source (e.g., a  battery) has enough energy to supply the cabin loads  of the long‐haul truck during a hoteling  period.   [0006]     In some aspects, the techniques described herein rela te to a method of  optimized energy management, the method including: cre ating a synthetic training dataset,  wherein the synthetic training dataset includes a plu rality of activity profiles for a period of  time; training a deep learning model using the synth etic training dataset; predicting, using the  trained deep learning model, a power load for the p eriod of time; determining a projected state  of charge (SOC) of an energy storage device during  the period of time based, at least in part, on  the predicted power load; and controlling charging op erations for the energy storage device  based on the projected SOC.  MCC Ref. No.:  103361‐369WO1  [0007]     In some aspects, the techniques described herein rela te to a method, wherein  the deep learning model includes a recurrent neural  network.  [0008]     In some aspects, the techniques described herein rela te to a method, wherein  the deep learning model includes a long short term  memory (LTSM) model.  [0009]     In some aspects, the techniques described herein rela te to a method, wherein  controlling charging operations for the energy storage  device based on the projected SOC  includes controlling a vehicle engine.  [0010]     In some aspects, the techniques described herein rela te to a method, wherein  creating a synthetic dataset includes generating the  plurality of activity profiles from a base  dataset.  [0011]     In some aspects, the techniques described herein rela te to a method, wherein  each of the plurality of activity profiles includes  sleep activity data and energy usage data.  [0012]     In some aspects, the techniques described herein rela te to a method wherein  each of the plurality of activity profiles includes  a time allocation matrix (TAM), wherein the  TAM includes temporal activity information.  [0013]     In some aspects, the techniques described herein rela te to a method, wherein  each of the plurality of activity profiles includes  a transition matrix (TM), wherein the TM  includes relational activity information.  [0014]     In some aspects, the techniques described herein rela te to a method, wherein  each of the plurality of activity profiles includes  a power load profile.  [0015]     In some aspects, the techniques described herein rela te to a method, wherein  the energy storage device is one or more batteries.� � MCC Ref. No.:  103361‐369WO1  [0016]     In some aspects, the techniques described herein rela te to a method‐ 10  wherein the period of time is a hotel period for a  long‐haul vehicle driver.  [0017]     In some aspects, the techniques described herein rela te to a method, further  including predicting an HVAC load, and wherein the p redicted power load is based at least in  part on the HVAC load.  [0018]     In some aspects, the techniques described herein rela te to a method, wherein  the step of determining a projected SOC includes usi ng dynamic programming to determine the  projected SOC using the HVAC load and the predicted� �power load.  [0019]     In some aspects, the techniques described herein rela te to a system for  optimized energy management, the system including: a  vehicle including an energy storage  device, a vehicle controller, and an engine; an ener gy management controller operably coupled  to the vehicle, the energy management controller incl uding a processor and a memory, the  memory having computer‐executable instructions stored� �thereon that, when executed by the  processor, cause the processor to: create a synthetic  training dataset, wherein the synthetic  training dataset includes a plurality of activity pro files for a period of time; train a deep learning  model using the synthetic training dataset; predict,  using the trained deep learning model, a  power load for the period of time; determine a proj ected state of charge (SOC) of an energy  storage device during the period of time based, at  least in part, on the predicted power load;  and transmit the projected SOC to the vehicle contro ller, wherein the vehicle controller is  configured to control charging operations for the ene rgy storage device based on the projected  SOC.  MCC Ref. No.:  103361‐369WO1  [0020]     In some aspects, the techniques described herein rela te to a system, wherein  the deep learning model includes a recurrent neural  network.  [0021]     In some aspects, the techniques described herein rela te to a system, wherein  the deep learning model includes a long short term  memory (LTSM) model.  [0022]     In some aspects, the techniques described herein rela te to a system, wherein  the vehicle controller is configured to control charg ing operations for the energy storage device  based on the projected SOC by controlling a vehicle� �engine.  [0023]     In some aspects, the techniques described herein rela te to a system, wherein  creating a synthetic dataset includes generating the  plurality of activity profiles from a base  dataset.  [0024]     In some aspects, the techniques described herein rela te to a system , wherein  each of the plurality of activity profiles includes  sleep activity data and energy usage data.  [0025]     In some aspects, the techniques described herein rela te to a system, wherein  each of the plurality of activity profiles includes  a time allocation matrix (TAM), wherein the  TAM includes temporal activity information.  [0026]     In some aspects, the techniques described herein rela te to a system, wherein  each of the plurality of activity profiles includes  a transition matrix (TM), wherein the TM  includes relational activity information.  [0027]     In some aspects, the techniques described herein rela te to a system, wherein  each of the plurality of activity profiles includes  a power load profile.  [0028]     In some aspects, the techniques described herein rela te to a system, wherein  the energy storage device is one or more batteries.� � MCC Ref. No.:  103361‐369WO1  [0029]     In some aspects, the techniques described herein rela te to a system, wherein  the period of time is a hotel period for a long‐ haul vehicle driver.  [0030]     In some aspects, the techniques described herein rela te to a system, wherein  the energy management controller is operably coupled  to the vehicle over a communication  network.  [0031]     In some aspects, the techniques described herein rela te to a system, further  including predicting an HVAC load, and wherein the p redicted power load is based at least in  part on the HVAC load.  [0032]     In some aspects, the techniques described herein rela te to a system, wherein  the projected SOC is determined using dynamic program ming based on the HVAC load and the  predicted power load.  [0033]     It should be understood that the above‐described su bject matter may also be  implemented as a computer‐controlled apparatus, a co mputer process, a computing system, or  an article of manufacture, such as a computer‐reada ble storage medium.  [0034]     Other systems, methods, features and/or advantages wil l be or may become  apparent to one with skill in the art upon examinat ion of the following drawings and detailed  description. It is intended that all such additional� �systems, methods, features and/or  advantages be included within this description and be  protected by the accompanying claims.    BRIEF DESCRIPTION OF THE DRAWINGS  [0035]     The components in the drawings are not necessarily t o scale relative to each  other. Like reference numerals designate corresponding� �parts throughout the several views.  MCC Ref. No.:  103361‐369WO1  [0036]     FIG. 1A illustrates an example method of optimized e nergy management,  according to implementations of the present disclosure .   [0037]     FIG. 1B illustrates an example method of optimized e nergy management,  according to implementations of the present disclosure .   [0038]     FIG. 2 illustrates a system for optimized energy man agement, according to  implementations of the present disclosure.  [0039]     FIG. 3 illustrates an example computing device.  [0040]     FIG. 4 illustrates an example load profile for a dr iver during a hotel period.   [0041]     FIG. 5 illustrates an example power load profile for  an example 10 hour hotel  load period.   [0042]     FIG. 6 illustrates an example plot of sleep duration  distributions for drivers on  long‐haul truck trips.   [0043]     FIG. 7 illustrates an example method of performing p rediction.   [0044]     FIG. 8 illustrates an example time allocation matrix� �for a hotel period.   [0045]     FIG. 9 illustrates an example Euclidian distance comp arison for an algorithm  trained over test periods and hidden units.  [0046]     FIG. 10A illustrates an example predicted power load� �profile.  [0047]     FIG. 10B illustrates an example test day load profil e.   [0048]     FIG. 11 illustrates an example schematic of load pre diction and energy  estimation for a truck.   [0049]     FIG. 12 illustrates an example schematic for a cabin  HVAC system in a truck.   MCC Ref. No.:  103361‐369WO1  [0050]     FIG. 13 illustrates an example plot of temperature f or various components of  an example truck as a function of time.   [0051]     FIG. 14A illustrates an example of cabin temperature� �error in an experiment  compared to a simulation.   [0052]     FIG. 14B illustrates an example of temperature differ ence for the experiment  shown in FIG. 14A.  [0053]     FIG. 14C illustrates an error histogram for the expe riment shown in FIGS. 14A  and 14B.  [0054]     FIG. 14D illustrate an example of window temperature� �error in an experiment  compared to a simulation.  [0055]     FIG. 14E illustrates an example of temperature differ ence for the experiment  shown in FIG. 14D.  [0056]     FIG. 14F illustrates an error histogram for the expe riment shown in FIGS. 14D‐ 14E.   [0057]     FIG. 15A illustrates an example of cabin temperature� �error in an experiment  compared to a simulation.   [0058]     FIG. 15B illustrates an example of temperature differ ence for the experiment  shown in FIG. 15A.  [0059]     FIG. 15C illustrates an error histogram for the expe riment shown in FIGS. 15A  and 15B.  [0060]     FIG. 15D illustrate an example of window temperature� �error in an experiment  compared to a simulation.  MCC Ref. No.:  103361‐369WO1  [0061]     FIG. 15E illustrates an example of temperature differ ence for the experiment  shown in FIG. 15D.  [0062]     FIG. 15F illustrates an example of roof temperature  error for a simulation  compared to an experiment.   [0063]     FIG. 15G illustrates an example of temperature differ ence for the experiment  shown in FIG. 15F.  [0064]     FIG. 15H illustrates an example error histogram for  the results shown in FIGS.  14F and 15G.   [0065]     FIG. 16 illustrates a comparison of an example 2‐n ode and an example 3‐node  model.  [0066]     FIG. 17 illustrates a comparison of an example 2‐n ode and an example 3‐node  model with different data used.    [0067]     FIG. 18 illustrates example temperature profiles with� �simulated vs.  experimental data.   [0068]     FIG. 19 illustrates an example vapor compression cycl e.   [0069]     FIG. 20 illustrates an example vapor compression cycl e plotted on a P‐h graph.   [0070]     FIG. 21 illustrates example plots of test data tempe rature as a function of  time.  [0071]     FIG. 22A illustrates example evaporator flow rates.  [0072]      FIG. 22B illustrates example condenser flow rates.  [0073]     FIG. 22C illustrates example coolant flow rates.   MCC Ref. No.:  103361‐369WO1  [0074]     FIG. 23A illustrates a calibrated evaporator model co mparison on initial no‐ flow data.   [0075]     FIG. 23B illustrates a calibrated evaporator model co mparison on transient  data.  [0076]     FIG. 23C illustrates a calibrated evaporator model co mparison on flow rate  oscillating data.  [0077]     FIG. 23D illustrates a calibrated evaporator model co mparison on steady state  data.  [0078]     FIG. 24A illustrates a calibrated evaporator model co mparison on initial no‐ flow data.   [0079]     FIG. 24B illustrates a calibrated evaporator model co mparison on transient  data.  [0080]     FIG. 24C illustrates a calibrated evaporator model co mparison on flow rate  oscillating data.  [0081]     FIG. 24D illustrates a calibrated evaporator model co mparison on steady state  data.  [0082]     FIG. 25 illustrates an RMSE error analysis of exampl e data using two different  calibrations.   [0083]     FIG. 26A illustrates experimental data compared to an  example model for a  first data segment.   [0084]     FIG. 26B illustrates an error histogram for the comp arison illustrated in FIG.  26A.   MCC Ref. No.:  103361‐369WO1  [0085]     FIG. 26C illustrates experimental data compared to an  example model for a  second data segment.   [0086]     FIG. 26D illustrates an error histogram for the comp arison illustrated in FIG.  26C.   [0087]     FIG. 26E illustrates experimental data compared to an  example model for a  third data segment.  [0088]     FIG. 26F illustrates an error histogram for the comp arison illustrated in FIG.  26E.  [0089]     FIG. 27 illustrates a comparison of RMSE error for  models of example  condenser pressures.   [0090]     FIG. 28A illustrates experimental data compared to an  example model for a  first data segment.   [0091]     FIG. 28B illustrates an error histogram for the comp arison illustrated in FIG.  26A.   [0092]     FIG. 28C illustrates experimental data compared to an  example model for a  second data segment.   [0093]     FIG. 28D illustrates an error histogram for the comp arison illustrated in FIG.  26C.   [0094]     FIG. 28E illustrates experimental data compared to an  example model for a  third data segment.  [0095]     FIG. 28F illustrates an error histogram for the comp arison illustrated in FIG.  26E.  MCC Ref. No.:  103361‐369WO1  [0096]     FIG. 29A illustrates an example model compared to an  experiment.  [0097]     FIG. 29B illustrates an example model compared to an  experiment, using a  different model calibration from the model shown in  FIG. 29A.  [0098]     FIG. 30 illustrates example efficiency values at a c ompressor.   [0099]     FIG. 31A illustrates an example map of mechanical an d electrical efficiency for  a compressor.   [00100]     FIG. 31B illustrates an example map of volumetric ef ficiency for a compressor.  [00101]     FIG. 31C illustrates an example of isotropic efficien cy for a compressor.   [00102]     FIG. 32 illustrates an example block diagram of a s imulator for an cabin HVAC  in a truck.   [00103]     FIG. 33A illustrates an example of heat exchanger pr essure over time.  [00104]     FIG. 33B illustrates an example of cabin temperature� �profiles over time.  [00105]     FIG. 33C illustrates an example of battery power dem anded over time.   [00106]     FIG. 34 illustrates an example optimal state of char ge trajectory for a one day  driving and hoteling cycle.   [00107]     FIG. 35 illustrates an example system configured to  estimate a load cycle  based on user activity prediction and estimate HVAC  load cycle information, according to  implementations of the present disclosure.     DETAILED DESCRIPTION  [00108]     Unless defined otherwise, all technical and scientific  terms used herein have  the same meaning as commonly understood by one of o rdinary skill in the art. Methods and  MCC Ref. No.:  103361‐369WO1  materials similar or equivalent to those described he rein can be used in the practice or testing  of the present disclosure. As used in the specificat ion, and in the appended claims, the singular  forms “a,” “an,” “the” include plural refe rents unless the context clearly dictates otherwise.  The  term “comprising” and variations thereof as used  herein is used synonymously with the term  “including” and variations thereof and are open,  non‐limiting terms. The terms “optional” or  “optionally” used herein mean that the subsequentl y described feature, event or circumstance  may or may not occur, and that the description incl udes instances where said feature, event or  circumstance occurs and instances where it does not.� �Ranges may be expressed herein as from  "about" one particular value, and/or to "about" anoth er particular value. When such a range is  expressed, an aspect includes from the one particular  value and/or to the other particular  value. Similarly, when values are expressed as approx imations, by use of the antecedent  "about," it will be understood that the particular v alue forms another aspect. It will be further  understood that the endpoints of each of the ranges� �are significant both in relation to the other  endpoint, and independently of the other endpoint. Wh ile implementations will be described  for predicting energy consumption in vehicles, it wil l become evident to those skilled in the art  that the implementations are not limited thereto, but  are applicable for predicting energy use  in different scenarios and contexts.  [00109]     The term “artificial intelligence” is defined here in to include any technique  that enables one or more computing devices or compin g systems (i.e., a machine) to mimic  human intelligence. Artificial intelligence (AI) includ es, but is not limited to, knowledge bases,  machine learning, representation learning, and deep le arning. The term “machine learning” is  defined herein to be a subset of AI that enables a  machine to acquire knowledge by extracting  MCC Ref. No.:  103361‐369WO1  patterns from raw data. Machine learning techniques i nclude, but are not limited to, logistic  regression, support vector machines (SVMs), decision t rees, Naïve Bayes classifiers, and  artificial neural networks. The term “representation� �learning” is defined herein to be a subset  of machine learning that enables a machine to automa tically discover representations needed  for feature detection, prediction, or classification f rom raw data. Representation learning  techniques include, but are not limited to, autoencod ers. The term “deep learning” is defined  herein to be a subset of machine learning that that  enables a machine to automatically discover  representations needed for feature detection, predictio n, classification, etc. using layers of  processing. Deep learning techniques include, but are� �not limited to, artificial neural network or  multilayer perceptron (MLP).   [00110]     Machine learning models include supervised, semi‐supe rvised, and  unsupervised learning models. In a supervised learning  model, the model learns a function that  maps an input (also known as feature or features) t o an output (also known as target or targets)  during training with a labeled data set (or dataset) . In an unsupervised learning model, the  model learns patterns (e.g., structure, distribution,  etc.) within an unlabeled data set. In a semi‐ supervised model, the model learns a function that m aps an input (also known as feature or  features) to an output (also known as target or tar get) during training with both labeled and  unlabeled data.  [00111]     Long haul journeys in trucks can take up to a few� �days and the driver spends  10 hours resting inside the cabin after every 11 ho urs driving. This 10 hour rest period is  referred to herein as the hoteling period, although  it should be understood that 10 hours is only  an example, and that the systems and methods describ ed herein can be used with any length of  MCC Ref. No.:  103361‐369WO1  hoteling period.  Sleeper cabs are used for this ap plication and are equipped with devices like  microwaves, coffee makers, lights, etc. for the drive r to have a comfortable rest inside the truck  anywhere along the route. The driver uses some of t hese devices based on the need, for  example, the driver uses a microwave when they want� �to cook/heat food, and a coffee maker  when they want to drink coffee. These devices have  a rated power that they draw when being  used. This power draw is highly subjective to driver  behavior (what devices does the driver use  and how many times). With the advent of hybrid elec tric and battery electric trucks, it has  become immensely important to have enough battery ene rgy stored in the battery pack before  the hoteling period since battery packs are the only  source of power unlike internal combustion  engines and the drivers cannot be left with no powe r in the battery when they are hoteling.  Since federal laws mandate the drivers to rest for  10 hours after every 11 hours of driving,  sometimes the drivers may not be near a truck stop� �(i.e., near a grid‐based power source) and  would need to start their hoteling period. This gene rates a need for the driver to have sufficient  energy stored in the trucks’ battery to supply the  cabin loads during the hotel period.  [00112]     Implementations of the present disclosure include meth ods of optimized  energy management. The methods described herein can b e used to train deep learning models  to perform optimized energy management using synthetic  data. Using synthetic data can  overcome the limitations of existing training methods,  which can require large amounts of real‐ world data. Real‐world systems, however, may not be  configured to generate real‐world data  (for example, they may lack sensors, data storage, a nd/or networking capabilities). Thus, the  use of synthetic data for training allows for the t raining of deep learning models for optimized  energy management in situations where real‐world dat a is not available. For example, there is  MCC Ref. No.:  103361‐369WO1  no existing dataset for cabin loads during hoteling  periods that can be used to train a deep  learning model. Real‐world data, even if it exists,  would not include a sufficiently large number  of samples, and much less data would lack diversity.  The present disclosure describes  techniques for generating synthetic data, which includ es but is not limited to generating activity  profiles. Such activity profiles include temporal and� �relational energy usage data as well as  sleep activity data during hoteling periods. The synt hetic data created according to this  disclosure addresses challenges unique to the cabin l oad during hoteling application (e.g., time  series forecasting of load) and results in a dataset  representative of real‐world data. Thus, the  present disclosure contemplates that deep learning mod els trained with such a synthetic  training dataset will have better accuracy, have less  tendency to overfit, and better generalize  to unseen data.    [00113]     With reference to FIG. 1A, a method 100 of optimize d energy management is  shown according to an implementation of the present  disclosure.  [00114]     At step 110, the method 100 can include creating a� �synthetic training dataset.  The synthetic training dataset can include a pluralit y of activity profiles for a period of time.  [00115]     Optionally, the period of time is the hotel period  for a long‐haul driver of a  vehicle. As used herein, the hotel period can be an y length of time that cabin loads are being  used in the vehicle without the vehicle being in tr ansit.   [00116]     The synthetic dataset created at step 110 can option ally include a plurality of  activity profiles from a base dataset. Activity profi le creation is described in detail, for example,  in Example 1 below. Alternatively or additionally, ea ch of the plurality of activity profiles can  include a time allocation matrix (TAM), where the TA M comprises temporal activity  MCC Ref. No.:  103361‐369WO1  information. The temporal activity information can inc lude probability density functions of  activities over time. An example time allocation matr ix is shown in FIG. 8.   [00117]     Optionally, the plurality of activity profiles can fu rther include sleep activity  data and energy usage data. Alternatively or addition ally, each of the plurality of activity  profiles can include a power load profile.    [00118]     Alternatively or additionally, each of the plurality  of activity profiles an  optionally further include a transition matrix (TM),  wherein the TM comprises relational activity  information. Relational activity information can be th e probability of a next activity in the  sequence being completed. Optionally, relational activi ty information can be modeled using a  Markov chain.   [00119]     At step 120, the method 100 can include training a� �deep learning model using  the synthetic training dataset. According to the pres ent disclosure, the deep learning model is  trained to “learn” a function that maps an input  (also known as feature or features) to an  output (also known as target or targets) during trai ning with the synthetic training dataset. For  example, the features may include, but are not limit ed to, energy usage information such as the  TAM and/or TM and sleep activity data, and the targ et may be a power load profile. The deep  learning model is trained with the synthetic training  dataset to maximize or minimize an  objective function. This disclosure contemplates traini ng the deep learning model using  techniques known in the art.   [00120]     Optionally, the deep learning model includes an artif icial neural network  (ANN). An artificial neural network (ANN) is a compu ting system including a plurality of  interconnected neurons (e.g., also referred to as “ nodes”). This disclosure contemplates that  MCC Ref. No.:  103361‐369WO1  the nodes can be implemented using a computing devic e (e.g., a processing unit and memory  as described herein). The nodes can be arranged in  a plurality of layers such as input layer,  output layer, and optionally one or more hidden laye rs. An ANN having hidden layers can be  referred to as deep neural network or multilayer per ceptron (MLP). Each node is connected to  one or more other nodes in the ANN. For example, e ach layer is made of a plurality of nodes,  where each node is connected to all nodes in the p revious layer. The nodes in a given layer are  not interconnected with one another, i.e., the nodes� �in a given layer function independently of  one another. As used herein, nodes in the input lay er receive data from outside of the ANN,  nodes in the hidden layer(s) modify the data between  the input and output layers, and nodes in  the output layer provide the results. Each node is  configured to receive an input, implement an  activation function (e.g., binary step, linear, sigmoi d, tanH, or rectified linear unit (ReLU)  function), and provide an output in accordance with  the activation function. Additionally, each  node is associated with a respective weight. ANNs ar e trained with a dataset to maximize or  minimize an objective function. In some implementation s, the objective function is a cost  function, which is a measure of the ANN’s performa nce (e.g., error such as L1 or L2 loss) during  training, and the training algorithm tunes the node  weights and/or bias to minimize the cost  function. This disclosure contemplates that any algori thm that finds the maximum or minimum  of the objective function can be used for training  the ANN. Training algorithms for ANNs  include, but are not limited to, backpropagation. ANN s are known in the art and are therefore  not described in further detail herein.  [00121]     Optionally, the deep learning model can be a recurre nt neural network (RNN).  An RNN is a class of artificial neural network wher e connections between nodes can create a  MCC Ref. No.:  103361‐369WO1  cycle, allowing output from some nodes to affect sub sequent input to the same nodes. The  RNN has internal memory and can be used to analyze� �sequential or time series data. A non‐ limiting example RNN architecture is a long short te rm memory (LTSM). LSTM models are  designed to handle sequential data, such as time ser ies data.    [00122]     It should be understood that RNN and LSTM are provi ded only as example  deep learning models. This disclosure contemplates tha t the deep learning model can be  another type of deep learning model.   [00123]     At step 130, the method 100 can include predicting,� �using the trained deep  learning model, a power load for the period of time . At step 130, the deep learning model is  operating in inference mode. The deep learning model� �has therefore been trained (i.e. at step  120) and is configured to make predictions based on� �new input data. Accordingly, such a model  is referred to herein as the “trained deep learnin g model.” The input to the trained deep  learning model can include measurements of energy usa ge and/or power consumption taken  during a first time period (e.g., a first hotel per iod). Alternatively or additionally, the input to  the trained deep learning model can include energy c onsumption during the start of the hotel  period. Alternatively or additionally, the input to t he trained deep learning model can include  power consumption during any part of the hotel perio d.  Additional non‐limiting examples of  the outputs of the trained deep learning model inclu de the power load for an entire day, an  entire hotel period, or a period of time within a  day or hotel period (e.g., a certain number of  minutes or hours). As yet another non‐limiting exam ple, input can be the power load during  one or more time periods (e.g., hotel periods). The� �output can be the predicted power load for  a future time period (e.g., the next hotel period).� �  MCC Ref. No.:  103361‐369WO1  [00124]     At step 140, the method 100 can include determining� �a projected state of  charge (SOC) of an energy storage device during the� �period of time based, at least in part, on  the predicted power load. As a non‐limiting example , the energy storage device can include one  or more batteries or battery packs (e.g., packs of  lithium or lead‐acid batteries). Optionally, the  batteries or battery packs can be part of an electr ic and/or hybrid power train for a vehicle  (e.g., a truck).  Optionally, the projected SOC can� �be based on both the predicted power load  and a predicted HVAC load. An example HVAC model th at can be used to predict the HVAC load  is described in Example 2. In some implementations,  dynamic programming can be used to  obtain the projected SOC, and the dynamic programming  inputs can include the predicted  HVAC load and the predicted power load.   [00125]     At step 150, the method 100 can include controlling� �charging operations for  the energy storage device based on the projected SOC . Optionally, controlling charging  operations for the energy storage device based on th e projected SOC can include controlling a  vehicle engine. Alternatively or additionally, controll ing charging operations for the energy  storage device based on the projected SOC can includ e controlling a vehicle engine. Non‐ limiting examples of controlling the engine can inclu de starting the vehicle engine to charge the  battery, and/or turning off the engine to stop charg ing the battery.   [00126]     With reference to FIG. 2, implementations of the pre sent disclosure include  systems for optimized energy management. The system 2 00 shown in FIG. 2 can include an  energy management controller 210 and a vehicle 250.  The vehicle 250 can include an engine  260 and an energy storage device 270.   MCC Ref. No.:  103361‐369WO1  [00127]     The energy management controller 210 can include a c omputing device (e.g.,  the computing device 300 shown in FIG. 3), including  a processor and a memory. The energy  management controller 210 can be operably coupled to� �the vehicle 250. In some  implementations, the energy management controller 210  can be connected to the vehicle 250  by a network (e.g., the network connections 316 illu strated in FIG. 3). The energy management  controller 210 can include a synthetic training datas et 220 and a deep learning model 230.    [00128]     The energy management controller 210 can be configure d to perform any one  or more of the steps of the methods described with� �reference to FIGS. 1A‐1B.   [00129]     Optionally, the energy management controller 210 can  be configured to  create a synthetic training dataset, where the synthe tic training dataset can include a plurality  of activity profiles for a period of time. Optionall y, the synthetic dataset can be created using a  number of activity profiles from a base dataset. It� �should be understood that the energy  management controller 210 can be configured to run a  trained deep learning model, and that  the deep learning model 230 can be a trained deep  learning model.   [00130]     In some implementations, each of the plurality of ac tivity profiles comprises  sleep activity data and energy usage data. Optionally , each of the plurality of activity profiles  comprises a time allocation matrix (TAM), wherein the  TAM comprises temporal activity  information. Alternatively or additionally, each of th e plurality of activity profiles can include a  transition matrix (TM), where the TM can include rel ational activity information.  Alternatively  or additionally, each of the plurality of activity p rofiles comprises a power load profile.    [00131]     The energy management controller 210 can also include  a deep learning  model 230. The deep learning model 230 can be train ed using a synthetic training dataset as  MCC Ref. No.:  103361‐369WO1  described with reference FIG. 1A‐1B. Optionally, the  deep learning model can include a  recurrent neural network. Alternatively or additionally , the deep learning model can include a  long short term memory (LTSM) model.   [00132]     The energy management controller 210 can be configure d to predict a power  load for the vehicle 250 for a period of time. As� �a non‐limiting example, the period of time can  be a hotel period for a long‐haul vehicle driver,� �but it should be understood that any length of  time, including any length of hotel period, can be  used.   [00133]     Using the prediction, the energy management controller  can determine a  projected state of charge (SOC) of an energy storage  device 270 during the period of time  based, at least in part, on the predicted power loa d. The energy management controller 210  can control charging operations for the energy storag e device 270 based on the predicted  power load and the projected state of charge. Option ally, the engine 260 can be used to charge  the energy storage device 270, and the engine 260 c an be controlled by the energy  management controller 210 based on the projected SOC� �(for example, to charge the energy  storage device 270 to the projected state of charge) . As a non‐limiting example, the energy  management controller 210 can turn the engine 260 on  to charge the energy storage device  270 and turn the engine 260 off to stop charging t he energy storage device 270. By turning the  engine 260 on and off, the energy management control ler 210 can control the SOC.    [00134]     In some implementations, the energy management control ler 210 can be  located on the vehicle 250.  As a non‐limiting ex ample, the energy management controller 210  can be part of any computing device located on the� �vehicle 250. In some implementations, the  energy management controller 210 can be located separ ately from the vehicle 250 (e.g., on  MCC Ref. No.:  103361‐369WO1  another computing device or server). When the energy� �management controller 210  is separate  from the vehicle 250, the energy management controlle r 210 can operably coupled to the  vehicle 250 by a communication link (e.g., a cellula r network) such that the energy  management controller 210 can communicate with the ve hicle 250. Optionally, the vehicle 250  can include a vehicle controller 275 configured to r eceive instructions from the energy  management controller 210 and/or transmit information  about the power consumption of the  vehicle 250 to the energy management controller 210.� �Optionally, the synthetic dataset step  110 of the method 100 shown in FIG. 1A can be per formed on the energy management  controller 210, which can reduce the amount of memor y and processing power required by the  vehicle.   [00135]     In some implementations, the vehicle controller 275 c an include a lightweight  machine learning model. As used herein, the term “ lightweight” model refers to models that  can require fewer computational resources and/or less� �memory to run in inference mode. The  lightweight machine learning model can be based on t he deep learning model 230. The  lightweight machine learning model can be a version  of the deep learning model 230 that is  optimized to efficiently operate in inference mode. T he lightweight machine learning model of  the vehicle can optionally be incrementally trained b ased on new data.   [00136]     Alternatively or additionally, it should be understood  that in some  implementations, the deep learning model 230 trained  by the energy management controller  210 can be used to generate lightweight machine lear ning models for any number of vehicles  250. Optionally, the vehicles 250 can update the res pective lightweight machine learning  models of each vehicle 250 based on the actual ener gy usage of each vehicle 250. This  MCC Ref. No.:  103361‐369WO1  approach can allow for efficient training of the dee p learning model 230 using synthetic data  (e.g., according to the methods 100, 150 of FIG. 1A  and FIG. 1B, described herein); as well as  efficient deployment and customization of the deep le arning model 230 for any number of  vehicles using the lightweight machine learning models .   [00137]     It should also be understood that performance optimiz ations can be used for  the HVAC models described herein. The equations of e xample 2 can optionally be discretized  and/or mapped for faster computation.   [00138]     FIG. 1B illustrates a method 160 for modeling energy  consumption, according  to implementations of the present disclosure.   [00139]     At step 162, the method 160 includes collecting info rmation (e.g., survey  information). For example, step 162 can include colle cting information and drawing  observations from surveys in literature about driver  sleeping & driving behavior.  Alternatively  or additionally, the information can include compilati on of driver schedules during hoteling  and/or surveys from online available forums/videos/blog s from truck drivers.  [00140]     At step 164, the method 160 can include creating tr aining data. The training  data can be created using the derived observations t o create rules which can be used in  duplicating the data into 1000’s of data points fo r machine learning model training.  [00141]     At step 166, the method 160 can include performing  exploratory data  analysis. Exploratory data analysis can include extrac ting additional information from the data  using data analysis to produce additional features. A dditional features can support machine  learning model training.  MCC Ref. No.:  103361‐369WO1  [00142]     At step 168, the method can include data augmentatio n. The data  augmentation can be performed using the additional fe atures created in step 166.  [00143]     At step 170, the method can include using an LSTM  algorithm based on the  data augmented at step 168.   [00144]     At step 172, the method can include result analysis.  The result analysis can  include analyzing and processing the output of the L STM algorithm to establish a uniform  comparison metric.    [00145]     At step 174, the method can include hyperparameter o ptimization.  Hyperparameter optimization can include tuning algorith m parameters to find an optimal  compromise between the accuracy of the algorithms and  the computational power required for  the algoirhtms.   [00146]     At step 176, the method can include prediction perfo rmance evaluation.  Prediction performance evaluation can include checking� �algorithm accuracy for the predicted  overall energy consumption.   [00147]     It should be appreciated that the logical operations� �described herein with  respect to the various figures may be implemented (1 ) as a sequence of computer implemented  acts or program modules (i.e., software) running on  a computing device (e.g., the computing  device described in FIG. 3), (2) as interconnected m achine logic circuits or circuit modules (i.e.,  hardware) within the computing device and/or (3) a c ombination of software and hardware of  the computing device. Thus, the logical operations di scussed herein are not limited to any  specific combination of hardware and software. The im plementation is a matter of choice  dependent on the performance and other requirements o f the computing device. Accordingly,  MCC Ref. No.:  103361‐369WO1  the logical operations described herein are referred  to variously as operations, structural  devices, acts, or modules. These operations, structura l devices, acts and modules may be  implemented in software, in firmware, in special purp ose digital logic, and any combination  thereof. It should also be appreciated that more or� �fewer operations may be performed than  shown in the figures and described herein. These ope rations may also be performed in a  different order than those described herein.  [00148]     Referring to FIG. 3, an example computing device 300  upon which the  methods described herein may be implemented is illust rated. It should be understood that the  example computing device 300 is only one example of� �a suitable computing environment upon  which the methods described herein may be implemented . Optionally, the computing device  300 can be a well‐known computing system including,  but not limited to, personal computers,  servers, handheld or laptop devices, multiprocessor sy stems, microprocessor‐based systems,  network personal computers (PCs), minicomputers, mainfr ame computers, embedded systems,  and/or distributed computing environments including a  plurality of any of the above systems or  devices. Distributed computing environments enable remo te computing devices, which are  connected to a communication network or other data t ransmission medium, to perform various  tasks. In the distributed computing environment, the  program modules, applications, and other  data may be stored on local and/or remote computer  storage media.   [00149]     In its most basic configuration, computing device 300  typically includes at  least one processing unit 306 and system memory 304.  Depending on the exact configuration  and type of computing device, system memory 304 may� �be volatile (such as random access  memory (RAM)), non‐volatile (such as read‐only mem ory (ROM), flash memory, etc.), or some  MCC Ref. No.:  103361‐369WO1  combination of the two. This most basic configuration  is illustrated in FIG. 3 by dashed line 302.  The processing unit 306 may be a standard programmab le processor that performs arithmetic  and logic operations necessary for operation of the  computing device 300. The computing  device 300 may also include a bus or other communic ation mechanism for communicating  information among various components of the computing� �device 300.   [00150]     Computing device 300 may have additional features/func tionality. For  example, computing device 300 may include additional  storage such as removable storage 308  and non‐removable storage 310 including, but not li mited to, magnetic or optical disks or tapes.  Computing device 300 may also contain network connect ion(s) 316 that allow the device to  communicate with other devices. Computing device 300  may also have input device(s) 314 such  as a keyboard, mouse, touch screen, etc. Output devi ce(s) 312 such as a display, speakers,  printer, etc. may also be included. The additional d evices may be connected to the bus in order  to facilitate communication of data among the compone nts of the computing device 300. All  these devices are well known in the art and need n ot be discussed at length here.   [00151]     The processing unit 306 may be configured to execute  program code encoded  in tangible, computer‐readable media. Tangible, compu ter‐readable media refers to any media  that is capable of providing data that causes the c omputing device 300 (i.e., a machine) to  operate in a particular fashion. Various computer‐re adable media may be utilized to provide  instructions to the processing unit 306 for execution . Example tangible, computer‐readable  media may include, but is not limited to, volatile  media, non‐volatile media, removable media  and non‐removable media implemented in any method o r technology for storage of  information such as computer readable instructions, da ta structures, program modules or other  MCC Ref. No.:  103361‐369WO1  data. System memory 304, removable storage 308, and  non‐removable storage 310 are all  examples of tangible, computer storage media. Example� �tangible, computer‐readable recording  media include, but are not limited to, an integrated  circuit (e.g., field‐programmable gate array  or application‐specific IC), a hard disk, an optica l disk, a magneto‐optical disk, a floppy disk, a  magnetic tape, a holographic storage medium, a solid� ��state device, RAM, ROM, electrically  erasable program read‐only memory (EEPROM), flash me mory or other memory technology,  CD‐ROM, digital versatile disks (DVD) or other opti cal storage, magnetic cassettes, magnetic  tape, magnetic disk storage or other magnetic storage  devices.  [00152]     In an example implementation, the processing unit 306  may execute program  code stored in the system memory 304. For example,  the bus may carry data to the system  memory 304, from which the processing unit 306 recei ves and executes instructions. The data  received by the system memory 304 may optionally be� �stored on the removable storage 308 or  the non‐removable storage 310 before or after execu tion by the processing unit 306.   [00153]     It should be understood that the various techniques  described herein may be  implemented in connection with hardware or software o r, where appropriate, with a  combination thereof. Thus, the methods and apparatuses  of the presently disclosed subject  matter, or certain aspects or portions thereof, may  take the form of program code (i.e.,  instructions) embodied in tangible media, such as flo ppy diskettes, CD‐ROMs, hard drives, or  any other machine‐readable storage medium wherein, w hen the program code is loaded into  and executed by a machine, such as a computing devi ce, the machine becomes an apparatus  for practicing the presently disclosed subject matter.  In the case of program code execution on  programmable computers, the computing device generally� �includes a processor, a storage  MCC Ref. No.:  103361‐369WO1  medium readable by the processor (including volatile  and non‐volatile memory and/or storage  elements), at least one input device, and at least  one output device. One or more programs  may implement or utilize the processes described in  connection with the presently disclosed  subject matter, e.g., through the use of an applicat ion programming interface (API), reusable  controls, or the like. Such programs may be implemen ted in a high level procedural or object‐ oriented programming language to communicate with a c omputer system. However, the  program(s) can be implemented in assembly or machine� �language, if desired. In any case, the  language may be a compiled or interpreted language a nd it may be combined with hardware  implementations.  [00154]     Examples  [00155]     The following examples are put forth so as to provi de those of ordinary skill in  the art with a complete disclosure and description o f how the compounds, compositions,  articles, devices and/or methods claimed herein are m ade and evaluated, and are intended to  be purely exemplary and are not intended to limit t he disclosure. Efforts have been made to  ensure accuracy with respect to numbers (e.g., amount s, temperature, etc.), but some errors  and deviations should be accounted for. Unless indica ted otherwise, parts are parts by weight,  temperature is in  ^C or is at ambient temperature, and pressure is at  or near atmospheric.  [00156]     Example 1:  [00157]     An example implementation of the present disclosure i ncludes methods of  predicting cabin load in long haul trucks. Predicting  cabin load in long haul trucks can be  important to operating trucks efficiently. For example , long haul trucks can include batteries  that are charged from an engine or generator while  the truck is operating, or from an electric  MCC Ref. No.:  103361‐369WO1  charger (e.g., a charger connected to the electric g rid).  When the engine or generator is not  running, the battery is responsible for providing ene rgy to the truck, including the truck cabin. If  the battery is over charged, it can result in waste d energy (for example, wasted fuel used to  charge the battery). On the other hand, if the batt ery is under charged, the truck can run out of  energy before the engine/generator is started again.  Thus, it is desirable to accurately predict  how much energy will be used when the engine/generat or is not running, so that the batteries  can be sufficiently charged, but not over charged. � � [00158]     Implementations of the present disclosure can be used  for hybrid or electric  trucks where energy management of the batteries can  be especially important. Alternatively,  implementations of the present disclosure can be used  for conventional internal combustion  trucks where idling the engine can be harmful.   [00159]     Hybridization of the vehicle allows for the substitut ion of this idling (to power  the auxiliaries) with any Energy Storage System (ESS)  like battery packs. Moreover, it is  important to ensure the battery pack has sufficient  State‐Of‐Charge (SOC) at all times. This is  not entirely possible because of the limitation in t he battery sizing, hence there might be  instances where some idling may be required to charg e the battery back up. In this situation, it  is helpful to know how much instantaneous power or  the total electrical energy would be  required in the hotel period so that the battery pa ck is only sufficiently charged and only  charged at required times eliminating unnecessary idli ng.  [00160]     The present disclosure includes methods to predict th ese electrical loads in  the sleeper cabs of the trucks using machine learnin g methods. In the present example, a  neural network referred to herein as Long and Short� �Term Memory (LSTMs) can be used to  MCC Ref. No.:  103361‐369WO1  predict the power demand as a time series. LSTMs ca n be very capable of capturing temporal  dependencies quite well and hence is the algorithm o f choice. The algorithm is trained for 20  days and makes predictions for the 21st day. Data i s in the form of on/off timing of each device  in the 10‐ hour hoteling period. At each instant,� �the rated power of all the devices that are  switched on is added together to form 1 time series  capturing the total power. This can be fed  into the LSTM network along with the temporal and r elational information about the different  devices. Because of limitations in finding data about  driver behavior during hoteling periods in  the industry, some survey information made available  by the industry partner and some  surveys reported in the literature about driver sleep ing behavior were studied. This study is  used to derive some observations about driver behavio r and this information is replicated into  1000 synthetically generated datasets which were used� �to train and make predictions. After  generating predictions, they can be validated visually  and numerically.  [00161]     For visual validation, dynamic time warping can be u sed to map the prediction  to a test day and for numerical validation, the err or in total energy consumption is used and the  accuracy attained by the example implementation was 9 0%. Optionally, the dynamic time  warping can “level the field” of running standard  error comparison matrices. For example,  dynamic time warping can allow for more accurate ali gnment and/or comparison of sequences  of data. Dynamic time warping can be used in implem entations of the present disclosure to  handle temporal distortions or variations in speed or  timing of sequences of data. Alternatively  or additionally, dynamic time warping can be used fo r hyperparameter optimization.   [00162]     In some implementations, the types of power loads th at are expected in the  hotel period can be predicted. FIG. 4 illustrates ex amples of typical cabin electrical loads on a  MCC Ref. No.:  103361‐369WO1  long‐haul truck. These include the use of a lamp,� �TV, radio etc. Predicting these activities can be  used to predict instantaneous power expected in the  next time horizon (e.g., until the end of  the hotel period). In a situation where the battery� �reaches the minimum allowable SOC, this  prediction can be used to idle the vehicle to charg e the battery just enough. In the example  implementation of SuperTruck II, the HVAC is also po wered by the battery pack hence also  comes within the cabin loads. However, the HVAC powe r requirement estimation is not a part  of the this predictive algorithm because of its dyna mic nature. A physics‐based model can be  developed instead for the e‐HVAC power load estimat ion modelled separately on  MATLAB/Simulink [ Khuntia et al. (2022)].  [00163]     User activity prediction can include Sequence Predicti on via Enhanced Episode  Discovery (SPEED). SPEED can be superior to other pr ediction algorithms like Active LeZi (ALZ)  algorithm with temporal rule, or Patterns of User Be havior System (PUBS). User activity  prediction can include using the temporal pattern of� �humans for the prediction [ Aztiria et al.  (2012)]. For example, a modified‐SPEED algorithm can  achieve 96.8% accuracy. [Marufuzzaman  et al. (2015)], the authors introduce This prediction  algorithm is also adopted for the prediction  of activities in smart homes for gird power‐cost m anipulation. As another example an  application of a multi layer Long and Short Term Me mory (LSTM) algorithm to predict the time  and duration of activities in a 24 hour period can� �include a two layer LSTM algorithm with 50  hidden units each can give good predictions with a  learning on a moving 75 day window.  [Goutham (2020)].  [00164]     Time series prediction can be done using Recurrent N eural Networks (RNN) as  the ability of having a "memory" which makes them g ood for long sequence prediction tasks.  MCC Ref. No.:  103361‐369WO1  The RNN can remember contextual information through t he hidden layer activations that are  passed from one step in time to another. Different  variants of RNN have been useful when  temporal dependency of the data are important [ Grav es (2013)]. A popular variant of RNN is  the Long and Short Term Memory (LSTM). LSTMs work i n an iterative fashion like RNNs with the  addition of a gating mechanism. It can include three  gates named as: (i) Forget gate (ii) Update  gate and (iii) Output gate which regulate the flow  of information from input to activation,  activation to activation and activation to output. Th is makes LSTMs robust against outliers in  the data and learn long term dependencies and patter ns in the time series. Deeper version of  neural network, that is multiple (aka stacked) LSTM  layers can be used to improve the  performance [ Goutham et al. (2021)].  [00165]     Implementations of the present disclosure include syst ems and methods that  can be used to implement energy prediction in vehicl es, for example long haul trucks and/ or  hybrid trucks. The study described herein includes a� �method to synthesize data from a single  available data set generated from a survey conducted� �by PACCAR Inc. Using the synthesized  data, Neural Networks can be used to predict the fu ture power load estimate (e.g.,  implemented using MATLAB). Moreover, implementations of  the present disclosure can include  leveraging the properties of Markov chain and an ada ptation of a transition matrix. The study  shows that the systems and methods disclosed can be� �used to output a prediction for the  overall power demand. This power estimate can be use d in the estimation of the projected SOC  for the duration of the hotel period, which in turn  is used for the idle/ Engine On‐Off control  strategies.  MCC Ref. No.:  103361‐369WO1  [00166]     The present disclosure includes different metrics for� �evaluating the  predictions of a time series. For the activity predi ction as a classification problem, classifier  based methods can be used. In this work, the proble m is formulated as a regression problem.  Alternatively or additionally, a point‐wise numeric  distance between the prediction and the  original values can be used.  [00167]     Some of these metrics are:  [00168]     Root mean squared error (RMSE): provides an average  error throughout the  predicted time series in real units.  0 _{169]     ^^ ^^ ^^ ^^ ൌ} ^{∑ ∗ మ} [ ₀ ^{^ ൫ ˆ^ି௬^ ൯} ்   : a method that uses a normalized error over the  total range of values of the test set. This is par ticularly useful in the case when the prediction of� � the time of the activity is not critical.  [00171]     ^^ ^^ ^^ ^^ ^^ ൌ ^ோெௌா ୫ _{ୟ^൫௬∗ ∗ ^ ൯ି୫୧୬൫௬^ ൯}        (MAPE): another metric to evaluate the  predictions where the error is normalized over the a ctual value. This error is a percentage of  the true value.  ห ^∗ ∑ _^ ^{^ˆ^ష^ ห} ∗ ^{^} ^ _^        (ETF). [Minor et  al. (2015)].  In this method, the error function,  ^^^ ^ˆ^ _^ , ^^ _^ ^∗ ^ ൌ 1 if | ^ˆ^ _^ െ ^^ _^ ^∗ | ^ ^^, ^^ being a non  negative threshold, i.e., error in a particular predi ction contributes to the total error only if it is� � significant enough.  MCC Ref. No.:  103361‐369WO1  75]     ^^ ^^ ^^ ൌ ^{∑ ൫ ∗} [001 ^{ூ ˆ^,௬^ ൯} ்   another signal. Using Dynamic Time Warping (DTW), the  example implementation can  determine the similarity between the two signals. DTW  warps the x‐axis (in this case, time axis)  between the two signals to match the best y axis v alues irrespective of the lengths of the two  signals [ Müller (2007)]. For two inputs  ^^ _^ ∈ ℝ ^ே  and  ^^ _ଶ ∈ ℝ ^ே  DTW computes a cost matrix  ^^ ∈ ℝ ^{^ேା^^ൈ^ெା^^}  such that,  ^ ^{^^ି^,^ି^}       _{ൌ ^^൫ ^ min^}   ^^ _^  and  ^^ _ଶ  at time steps  ^^ and  ^^  respectively. It can be defined in any method like  euclidean, absolute or squared. This cost  matrix '  ^^ ' is then used to trace back from  ^^ _ே,ெ  to  ^^ _^,^  which gives the best mapping of y values  for the two‐time series.  [00179]     In the study described in the present example, DTW  was used as the  performance metric. Optionally, the present disclosure� �is configured to predict loads happening  in a broad time horizon rather than focusing on the  exact time in which the load is happening.  As a non‐limiting example, it may be more importan t to predict the load caused by a microwave  being used in a long‐haul truck, than it is to p redict the exact point in time when the microwave  is used. Using DTW the study can warp the time axi s such that the similarity between the power  load predicted and the power load profile of any te st day can be checked and they can be  compared.  MCC Ref. No.:  103361‐369WO1  [00180]     The data described herein regarding energy usage can� �be collected using on  board data loggers or OBD scanners. Optionally, the  data can be predicted using estimations  based on known literature related to energy usage. L STM  can be a data hungry algorithm and  hence there is a need to generate a lot of data s ets in order to give enough input to the  algorithm to learn from it. In the example study, 1 000 day’s of data is synthesized from the base  data.  [00181]     A survey was conducted on the various drivers about� �their usual activities in a  10 hour hotel period and data is recorded. An auxil iary power usage is then generated. FIG. 4  shows the activity profile for each device used in  the cabin of long‐haul truck.  [00182]     It can be seen from FIG. 4 that Activity 5 and th e Activity 2 are on throughout  the 10 hours hotel period and the activity 12 (slee p) is also done for a significant period of time.  The example driver used the microwave and coffee mak er for very short intervals (before and  once after sleeping). It was seen in the example th at the load requirement for these two  Activities are relatively higher than the rest.  [00183]     FIG. 5 illustrates the normalized electric power for� �the 10 hour hotel period. It  can be seen that the load requirement increases to  high values once in either half of the hotel  period. This was likely because of the microwave and  coffee maker.  [00184]     Additional data sets were generated. First, the activ ities are divided into four  groups, that are, i) sleep, ii) Food, iii) Coffee a nd iv) miscellaneous. As mentioned before, the  miscellaneous activities do not have very high load  contribution as compared to Food and  coffee, hence individually do not influence the total  power load profile unlike the usage of  coffee maker and microwave which are rated relatively  high. Hence the combined total load  MCC Ref. No.:  103361‐369WO1  requirement from the miscellaneous activities is kept� �as same and is not varied throughout the  1000 different activity profile generated. Variability� �in the data is introduced using the food and  coffee consumption and sleeping behavior and is discu ssed in the paragraphs below.  [00185]     Sleep studies of 80 long‐haul truck drivers with a  total of 400 principal sleep  periods have been conducted. [Mitler et al. (1997)].� �Such studies have found that though the  drivers desired an average േSD sleep of 7.2 േ 1.2 hours, in reality they may average 5.34  hours.  [00186]     In the above study the average time off duty was l ess than 8 hours (7.4  hours), however in the example application, the numbe r of OFF duty hours for the driver is 10  hours. In order to accommodate for the 2 hour incre ase, the sleep behavior of the driver is  randomly generated using a Gaussian distribution  ^^ ∼ ^^^ ^^, ^^^ ∼ ^^^5.5,0.5^, that is, 5.5 hours  of average sleep with a standard deviation of 0.5 h ours. FIG. 6 shows the random distribution of  sleep hours for the 1000 days data set. It can be� �seen that the minimum can go up to 3.8 hours  while the maximum can go up to 7.4 hours.   [00187]     Usage of coffee makers can be variable between diffe rent drivers, and  implementations of the present disclosure can be conf igured to consider variable usage  patterns of coffee makers (and other devices). Option ally, it can be assumed that usage of  coffee makers can be performed zero number of times� �to a maximum of one per hour of the  awake time. Optionally, it can be further assumed th at coffee is made in fixed intervals of 10  minutes each. It is assumed that the driver is very  likely to make coffee in the last 10 minutes of  the hotel period as well.  MCC Ref. No.:  103361‐369WO1  [00188]     As another example, it can be assumed that the micr owave is used twice  during the hotel period. It can further be assumed  that the microwave is used once at the start  of the hotel period and again at the end of the h otel period. The total time for this activity is  done is for a fixed interval of five minutes. It c an also be assumed that the driver does not do  this activity in the last 30 minutes of the hotel  period just to account for the fact that they  would be preparing for the journey and performing th e last minute checks.   [00189]     To avoid the redundancy in the synthesized data for� �training purpose,  permutation and combination is used to calculate how� �many combinations of such activities are  possible with the above discussed variability in the� �data. The total number of combination is  equal to the number of possible unique data sets. F or this calculation, the problem is  conservatively simplified such that the sleeping activ ity can take 5 values between 4 to 8 hours.  This introduces 5 different cases where different com binations of using microwave and coffee  maker calculated. Adding up the number of combination s of these 5 cases, it is concluded that  it is possible to generate 3.8 ^^ ^ 10 unique data sets.  [00190]     It should be understood that the different activities  described herein, as well  as the combinations of activities and assumptions are  intended only as non‐limiting examples,  and that implementations of the present disclosure ca n include different activities,  combinations of activities, and assumptions.  [00191]     In the example implementation, the LSTM algorithm is� �set up as a regression  problem with the input as a sequence and the output  as the next value in the series (many‐to‐ one) in a predictor response format where the respon se for a time step is added to the  predictor and the combined becomes the predictor for� �the response of the next time step.  MCC Ref. No.:  103361‐369WO1  Activity prediction can be a multi‐variate problem,� �which can be converted to univariate by  adding the load ratings of all the active devices a t a particular time and predicting this total  power load. This 1‐D matrix would capture the info rmation of multiple activities happening  together and also would eliminate the need to create  new categories in a classification  problem. Time is discretized at 1 min to produce a� �1‐by‐600 matrix containing the total power  load profile for a 10 hours of hotel period. The i nput to the algorithm for training is a 25‐by‐59 9  matrix representing one day. Out of the 25 rows, 12  rows store the Time Allocation Matrix  [TAM] as a 12‐by‐599 matrix, 12 rows store the  Transition Matrix [TM] in a 12‐by‐599 matrix  and 1 row stores the power load profile, P is a 1 ‐by‐599 matrix, hence it is fed to the algorithm   as [TAM TM P ^ ^{^} . The response is the power load at the next� �time step. For the prediction, the  activities at the first minute of hotel period of t he test day along with the relational information  is provided as a 25‐by‐1 matrix and the algorith m predicts the power load. This value is  appended to the power load prediction series and fed  to the algorithm again to predict the  power load value next in line until the end of the  10 hours.  [00192]     The temporal information can be given in the form o f a time allocation matrix  which can store information about the probability dis tribution of each of the activities. FIG.  8  illustrates example probability distributions of three� �activities (sleep, Microwave, and Coffee  maker). It can be seen that it is highly probable  that the driver is sleeping at the middle of the  hotel period. Since the mean of the sleep distributi on is 5.5 , hence, no matter when the driver  starts to sleep, the chance of them being asleep at  the 5^"th "  hour is very high. Also, the  chances of microwave and coffee maker is high after� �sleeping. This behavior is also expected as  the they used when the driver is not sleeping. Also , the probability of making coffee at the end  MCC Ref. No.:  103361‐369WO1  of the hotel period is very high, this is because  in the rule based data generation (discussed in  example 1), very high weightage is given to the usa ge of coffee machine before the journey is  resumed, i.e, end of the 10hr hotelling period.  [00193]     The transition matrix stores the relational informatio n of the activities. It can  predict the probability of the next activity in line  [Gagniuc (2017)]. Using the Markov property ,  an  ^^‐by‐  ^^ matrix for  ^^‐activities can be generated. In this  ^^‐by‐n matrix, the element  ^^‐ by ^^^ ^^, ^^ ∈ ^^^ would store the probability of going from activi ty  ^^ to activity  ^^ at any instant.  Hence, the rows of the transition matrix add up to� �1.  [00194]     The Markov property, however, is valid only when 1  activity is being  performed at a given time instance. In the hotel pe riod of long‐haul truck, there can be multiple  activities happening at the same time. This can be  handled by setting breakpoints on the time  stamps and calculate the conditional probability of a ll the activity next in line. The fundamental  difference in this method is that the sum of probab ilities of all the activities following a  particular activity will be more than 1. Optionally,� �normalization can be used to force the sum  of the rows to be equal to 1. In the example stud y, there are 12 activities, hence a 12‐by‐12  transition matrix was generated. As discussed herein,� �in transition matrix, the rows do not add  up to 1 . Such as the device corresponding to Acti vity 2 is switched "ON" for the 10 hours hotel  period, the probability it will be switched on after  a given activity is always 1. Moreover, the  second column of the transition matrix is always 1.� � [00195]     To feed this information to the learning algorithm,  the activities that are  currently being done are recognized, and the transiti on probabilities from the activities are  added together. For instance, if Activity 5, Activity  10 and Activity 11 are being done at time 't',  MCC Ref. No.:  103361‐369WO1  the rows of the transition matrix corresponding to t hese activities are added and this 12‐by‐1  matrix is transposed and appended to the input. Henc e, for all 600 time steps, a 12‐by‐600  matrix represents the probabilities of the activities� �using relational information.  [00196]     Optionally, implementations of the present disclsoure  can include the  following steps:  [00197]     (1) Split the data into training and test sets in  a 9: 1 ratio  [00198]     (2) Create predictor  ^^ ^{ழ^:^ షభவ}  and response  ^^ ^{ழଶ:^ வ}  for the training sequences  where  ^^ _௫  is the length of the series.  [00199]     (3) Row wise append the predictor with TAM and TM,� �i.e., create the input  matrix. and train the network.  [00200]     (4) Use the trained network to predict the test day . An initial guess of  ^^ ^{ழ^வ}  is  0 and a prediction  ^^ ^{ழ^வ}  is made. This prediction is column wise appen ded to  ^^ ^{ழ^வ}  as  ^^ ^ழଶவ  and  ^^ ^ழଶவ  is made until  ^^ ^{ழ ^வ}   [00201]     was observed to have improved the performance. The M ATLAB neural network toolbox was  used. The architecture of the LSTM is:  [00202]     (1) Input Layer: With 25 features  [00203]     (2) LSTM Layer: With 50 hidden units  [00204]     (3) LSTM Layer: With 50 hidden units  [00205]     (4) Fully Connected Layer: Multiplies the input weigh t matrix and adds the  bias vector  [00206]     (5) Regression Layer: Compares the mean squared error   MCC Ref. No.:  103361‐369WO1  [00207]     It was seen that having a multi‐layer LSTM worked� �better in capturing the  minor trends in the data however having lot of LSTM  layers increased the computation time  exponentially. Two LSTM layers seemed to work perfect ly well without compromise on the  computation time. For training the algorithm, optional ly the adam solver can be used with  initial learning rate of 0.005 and gradient threshold  of 1 for 250 epochs.  [00208]     As discussed herein, DTW can be used to characterize  the error. The number  of hidden units and the period of training are chos en as the training parameters. The number of  hidden units chosen are [20 50100150] while the trai ning period is [10 204070100140 200].  With large number of hidden units the model is able  to learn more relations between the  events of the time series. While this is a desirabl e feature, it compromises on the computation  speed and the risks over fitting. Similar is the ca se with the length of training set. FIG. 9 shows a   surface plot of the error matrix, that is the eucli dean distance measured point wise on the  warped time axis, created using dynamic time warping� �of the test day power load profile and  the predicted power load profile.  [00209]     It was seen that increasing the number of hidden un its or number of training  days alone did not improve the accuracy. Having a s mall number of hidden units and training  days did just as good of a job in the predicting  the series as very high number of hidden units  and training days. The global minimum error was foun d to be with 50 hidden units and a  training period of 20 days. FIG. 10A shows the fore cast and the prediction, while FIG. 10B shows  the warped version of FIG. 10A. The warped version  is a manipulation of the time axis such that  DTW algorithm finds the minimum Euclidean distance be tween the two signals. Though in some  cases warping the time axis can be undesirable to c heck the accuracy of a prediction, however  MCC Ref. No.:  103361‐369WO1  in this case however it is an acceptable metric. Th is is because it can be more important for the  algorithm to predict an event (in this case the tot al power load value) and in more general  sense the pattern, rather than the exact time it is  supposed to happen. In other words, it can be  important for the supervisory control on the truck's� �ECU to know if there is going to be a surge  in the power demand and prepare the battery for it.   [00210]     The present disclosure includes a multivariate time s eries prediction problem  is discussed and reduced to a univariate prediction  problem. A combined effect of all activities  as the total power load is predicted at a given ti me instead if predicting the individual power  load ratings of the various devices inside the cabin  of a long‐haul truck. This algorithm is trained  on synthetic data generated using observations and ju dgements from a baseline profile created  from survey data. A multi‐layer LSTM with each lay er with 50 hidden units is trained on total of  20 days. The total time required for this training  is about 4 minutes on a 32 GB RAM, 2.2Ghz  clock rate and 64‐bit processor. Preference can giv en to predicting an event (an event being a  particular load value) over the exact time of the e vent happening.  [00211]     Example 2:  [00212]     Implementations of the present disclosure include syst ems and methods that  can be used to model and predict the performance of  vehicles, for example long haul trucks. A  study was performed using an example implementation o f the present disclosure.   [00213]     Optionally, the example implementation can include: a� �control‐oriented two‐ node and three‐node cabin model to estimate the ca bin average air temperature at 93%  accuracy for a heavy‐duty truck.  MCC Ref. No.:  103361‐369WO1  [00214]     Alternatively or additionally, the example implementati on can include a vapor  ^{compression model including heat exchanger models� �(using moving interface method) with}  _{95% accuracy and compressor model (using empirica l relations) for power estimation for the}  compressor work with an accuracy of 98.4% in the HV AC system of a heavy‐duty truck.  [00215]     Alternatively or additionally, the example implementati on includes a machine  learning‐based model to estimate the load from the� �driver behavior during the hotel period of a  heavy‐duty truck.  [00216]     Alternatively or additionally, the example implementati on can establish an  optimal state of charge trajectory for a custom full ‐day route for a long haul application to  reduce/eliminate the idling during hoteling saving up� �to $40 per day in fuel cost to the owner‐ operators.  [00217]     The study described herein shows a control‐oriented� �eHVAC and cabin models  that can validated using the experimental data to me asure their efficacy in a heavy‐duty truck.  [00218]     In some jurisdictions, long‐haul truck drivers are  mandated to take off‐duty  time of 10 hours (referred to herein as “hoteling� ��) before driving. Maximum driving time is 11  hours after 10 consecutive hours off duty. Driving i s not allowed after being on duty for 14  hours. During the hotel phase, drivers spend time in side their trucks and idle the internal  combustion engine for comfort by utilizing the heatin g ventilation, air‐conditioning (HVAC), and  other onboard appliances. A 13L engine on average co nsumes about 0.8 gal/hour of diesel for  idling while the auxiliary power unit consumes 0.5 g al/hour. For one 10‐hour period, the  average cost is about $40, which can be significant� �spread across the approximately one‐million  MCC Ref. No.:  103361‐369WO1  truck drivers idling overnight. An example truck, Sup er Truck II, is a 48 V mild‐hybrid heavy‐duty  truck with auxiliary loads powered by an onboard bat tery pack.   [00219]     An optimal control algorithm is described herein to  charge the battery pack  during the drive phase up to a certain state‐of‐ charge (SOC) level, sufficient to meet the power  demands of the auxiliary load during the hotel phase . The study described herein includes  systems and methods to predict the energy consumption  in a mild‐hybrid heavy‐duty sleeper  truck during the hotel period. Physics‐based grey‐ box models are developed to estimate the e‐ HVAC power consumption. E‐HVAC refers to an electro nically controlled compressor as  compared to the conventional engine‐run compressor.  For the other auxiliary loads, a machine  learning algorithm was developed to predict the power  as a time series by tracking the user  activity. The developed physics‐based and data‐driv en models are validated for the  experimental data of class 8 heavy‐duty truck to s how their efficacy. These implementations of  the present disclosure also generate precise load pro files which are fed to the developed  dynamic programming (DP) framework to generate the op timal SOC trajectories. These models  ultimately help the vehicle's battery pack charge onl y up to the SOC necessary for the hotel  phase during the drive time. When the vehicle is ou t of charge during the hotel phase, these  models also help in estimating the amount of idling� �required to charge the battery enough to  ^{support the rest of the hotel period. This save s unnecessary idling. As a result a cost savings of}   _{$40 and COଶ reduction of 175lb to the environ ment is achieved for a single heavy‐duty truck.}  [00220]     For the past 20 years, trucks have been a prime mo de of freight  transportation which has grown from nearly 25% of th e total ton‐mile in the US freight  industry in 1980 to nearly 50% in 2020 (Margreta et  al. (2014)).  MCC Ref. No.:  103361‐369WO1  [00221]     Vehicles weighing over 33,000 pounds are classified a s class 8 vehicles and  semi‐trailers come under this category. These class� �8 vehicles are nearly 2.5% of the total  commercial vehicles.  [00222]     Nearly 2.5 million trucks travel long distances of 6 6,000 miles per year [Davis  and Boundy (2021)]. According to the DOE SuperTruck  report, class 8 tractor‐trailers consume  about 22% of the total transportation energy, which  is nearly 28 billion gallons of fuel per year  [Delgado and Lutsey (2014)]. Nearly 8% of this total  fuel cost comes from the overnight idling  of trucks for hoteling.  [00223]     For the long haul journeys (journeys more than 650  miles per trip), Federal  Motor Carrier Safety Administration (FMCSA), a federal  agency with a mission to reduce  commercial motor vehicle‐related fatalities and injur ies, mandates that drivers rest for 10 hours  in every 14 hour of on‐duty time [fmc (2022)]. Th ese 10 hours in a 24 hour period are called  hoteling. Nearly 1 million drivers practice hoteling  overnight [ANL (2012)]. Studies from ANL  also suggest that the drivers are idling for an ave rage of 6 hours a day [ANL (2012)][Gains  (2017)]. Studies in California, on average a truck,  is idled for nearly 30 hours in a week [Brodrick  et al. (2001)].  [00224]     Studies in National Renewable Energy Lab (NREL) in S todolsky et al. (2000)  show that class 8 sleeper trucks idle for nearly 1, 800 hours in a year and consume nearly 838  million gallons of diesel fuel.  [00225]     In efforts for electrification the usage of Auxiliary  Power Units (APU) for  auxiliary load is a well‐established area for freig ht efficiency improvement. Kshirsagar (2015)  demonstrated 50% energy consumption reduction in a fu el cell‐powered APU as compared to a  MCC Ref. No.:  103361‐369WO1  diesel engine. Surampudi et al. (2005) used 2.4 kW  APU to power the 42 V accessories and  found a reduction in energy consumption from 407MJ t o 78MJ for the water pump and from  400 MJ to 176.1 MJ for air conditioning (AC) system  respectively [Surampudi et al.  (2004)][Surampudi et al. (2005)] . Similar methods we re used in Redfield et al. (2006) and even  better improvements were reported with a fuel cell A PU.  [00226]     Controls also have played an important part in effic iency improvements. Using  optimal control Surampudi et al. (2006) explored thre e control strategies for the Heating  Ventilation and Air Conditioning (HVAC) system; (1) e vaporator temperature control, (2)  evaporator pressure control, and (3) cabin temperature  control. For a 9000 second simulation,  they observed an energy consumption of 932 kJ, 1228 kJ, and 975 kJ. They concluded that  with electrified auxiliaries and a control strategy i n place, the worst‐case scenario would be  nearly 1.3 kW of average power. Similar trends were� �observed in an electrified bus powertrain.  Campbell et al. (2012) running a hybrid electric cit y bus for 145 hours in 11 days, an average  power from ACOFF and ACON can be 11 kW and 19.3 k W. If the mechanical components are  ^{replaced with electrical components, there is a  reduction in energy consumption reflected in}  _{34% and 31% for AC OFF and AC ON respectively� �in fuel consumption benefit.}  [00227]     SuperTruck II is a parallel hybrid truck with an el ectric motor and a battery  pack only big enough to support the engine off hote ling and parking lot maneuvers. While the  hybrid drive doesn't support the torque split while  driving, it is big enough to support all the  auxiliary loads when the driver is resting inside th e sleeper cabins of their trucks for 10 hours. If  the battery runs out of energy during hoteling, the� �engine can be idled to charge the battery  back up via the electric motor.  MCC Ref. No.:  103361‐369WO1  [00228]     While there have been studies in model development f or HVAC systems,  there is not a complete detailed model coupled with� �a cabin temperature estimator. The  models in the literature are single‐node models for  the HVAC load at the cabin which do not  give the ability to develop low‐level controls for� �the HVAC system. Apart from that there is no  model currently predicting the driver's behavior durin g the hotel period and thereby no model  exists to estimate the corresponding load.  [00229]     The present disclosure includes advancements in the f ield of electrification of  heavy‐duty vehicles and its impact on the auxiliary  loads. The present disclosure also includes  mathematical modeling for the HVAC system driver beha vior. The present disclosure further  includes a simple control strategy to simulate the H VAC load for a 10‐hour hotel period to  estimate the instantaneous power. The present disclosu re further includes one full day of on‐ duty/off‐duty simulation for a driver doing a long� ��haul trip.   [00230]     Hotel loads are the electrical loads that are seen  on the battery pack during  the 10 hours of hotel phase of a long haul truck.� �Although HVAC can contribute to nearly 30%  of the total load during the drive time, it can go  up to nearly 80% when the vehicle is in the  hotel phase. This is because since the engine is tu rned off, all powertrain cooling components  are also turned off. HVAC becomes a major contributo r to this load and hence predicting it can  help the supervisory controller to prepare for the l oad ahead of time.  [00231]     For one day of travel on a long‐haul transit. The  driver is allowed 14 hours of  on‐duty time in which he/she takes two 30 minutes� �of rest and after the on‐duty time, takes 10  hours of rest. To save fuel by eliminating idling,  the battery pack needs to support the hotel  loads. For this, the battery should be (1) big enou gh to take the highest possible load, and (2)  MCC Ref. No.:  103361‐369WO1  charged only enough to support the load when it is� �not expected to be the highest.  Regeneration from braking is not always sufficient to  charge the battery during the 14 hour on‐ duty driving period, hence the engine needs to kick� �in at times. This can be leveraged to  operate the engine at optimal operating points to ma ximize the engine and electric  motor/generator efficiency. An optimal control algorith m developed in Singh et al. (2022)  provides an optimal state of charge trajectory for a  defined time horizon.  [00232]     The challenge for deploying said algorithm is to pre ‐define all the inputs in the  time horizon which includes the auxiliary load expect ed during the hotel period. Eliminating the  engine idling can ultimately result in savings of ne arly $40 per hotel period assuming 10 hours  of hotel phase in a class 8 sleeper cab with a 13  L diesel engine at $5/ gal cost of diesel fuel a nd  saving nearly 175lbs of CO _ଶ  from being released into the atmosphere from  a single truck per  day. This saving will be significant when the fleet� �of heavy‐duty vehicles is being considered.    [00233]     Optionally, the present disclosure can include energy� �modeling. Khuntia et al.  (2022a) and Khuntia et al. (2022b). The energy estim ated can be provided as an input to the  optimal control algorithm which enables the battery t o be charged to the SOC required at the  battery pack before the hotel period starts while th e vehicle is in motion. FIG. 11 presents an  overall modeling approach, according to an implementat ion of the present disclosure.  Optionally, the present disclosure includes a physics� ��based modeling approach for the modeling  of HVAC components like heat exchangers, i.e., the c ondenser and the evaporator, compressor,  and cabin of a sleeper cab, and using it in tandem  with a machine learning model that predicts  the loads from the activities of a driver when the� �vehicle is in hotel phase. When the load  MCC Ref. No.:  103361‐369WO1  required exceeds the battery capacity, the optimal co ntrol also provides the instance the  engine should idle to charge the battery and by how  much.  [00234]     Hotel loads are electrical loads that are seen on t he onboard battery pack  (e.g., during the 10 hours of hotel period of a lo ng haul truck). Although HVAC can contribute to  nearly 30% of the total load during the drive time,  it can go up to nearly 80% when the vehicle  is in a hotel period. This is because since the en gine is turned off, all powertrain cooling  components are also turned off. HVAC becomes a major  contributor to this load and hence  predicting it can help the supervisory controller to� �prepare for the load demands ahead of time.  [00235]     As used herein, the following terms are defined:  [00236]     ^^ _^  Heat transfer coefficient between tube wall and ref rigerant per unit area  ^W/m ^ଶ /K^  [00237]     ^^  Friction Coefficient;  [ _{00238]     ^^ Density of the refrigerant}  ^{^} _kg/m ^{ଷ^}   [00239]     ^^ _^  Inner diameter of the tube ^m^  [00240]     ℎ  Specific enthalpy ^J/kg^  [00241]     ^^  Pressure in HX^pa^  [00242]     ^^ _^  Bulk temperature of refrigerant ^K^  [00243]     ^^ _௪  Temperature of tube wall ^K^  [00244]     ^^  Velocity of the refrigerant flowing along the tubes  ^m/s^  [00245]     As used herein, additional terms were defined for th e cabin model:  [00246]     A Surface area for heat transfer ^m ^ଶ ^  [00247]     ^^ _^  Heat capacity at constant pressure ^J/K^  MCC Ref. No.:  103361‐369WO1  [00248]     ^^ Mass ^kg^  ^^  Heat transfer ^W^  [00249]     ^^ Temperature ^K^  [00250]     As used herein, additional terms were defined for mo deling fluid dynamics:  [00251]     ^˙^ Mass flow rate ^kg/s^  [00252]     ^^  kinematic viscosity ^m ^ଶ /s^  [ _{00253]     ℎ Convective heat transfer coefficient}  ^{^} _W/m ^ଶ _/K ^{^}   [00254]     ^^ Themal conductivity ^W/K^  [00255]     ^^ ^^  Nusselt number  [00256]     Pr  Prandtle number  [00257]     Re Reynolds number  [00258]     ^^  Flow speed ^m/s^  [00259]     ^^  Surface width ^m^  [00260]     Cabin model equations  [00261]     GHI Global Horizontal Irradiance ^W/m ^ଶ ^  [00262]     h Convective heat transfer ^J/kg^  [00263]     As used herein, additional terms were defined for mo deling fans:  [00264]     Φ _^  Flow rate coefficient  [00265]     [00266]     ^^  Number of Fans  [00267]     ^^ ^{^} ^ Mean fan radius ^m^ ൌ ^ ^ ^^ ^ଶ ^ ^^ _^ ^ଶ ^, ^^ _௧  is the fan tip radius,  ^^ _^  is the hub  radius.  [00268]     ^^ ^ᇱ  Hub ratio, ൌ ^^ _^ / ^^ _௧   MCC Ref. No.:  103361‐369WO1  [00269]     As used herein, additional terms were defined for he at exchanger modeling:  [00270]     ^∗^ _^  Property at the condenser; ^∗^ _^  Property in the hot side; ^∗^ _^  Property  of cabin air ^∗^ _^  Property at the evaporator; ^∗^ _^  property at saturated vapour line; ^∗^ _^   Property in the hot side ^∗^ _^  Property at saturated liquid line; ^∗^ _^  Properties averaged  through HX; ^∗^ _^  property of the surface; ^∗^ _௩  Volumetric property; ^∗^ _act   Actual property; ^∗ ^ _air   Property of air; ^∗^ _^^^  Property of ambient; ^∗^ _^^^  Property of the fin; ^∗^ _^^^^  Isentropic  property; ^∗^ _ref   Property of the refrigerant; ^∗^ _win   Property of the window;  ^^  Heat transfer  coefficient  ^{^} W/m ^ଶ  K ^{^} ;  ^‾^  Void fraction;  ^˙^  Heat transfer in/out of refrigerant from cross‐flo wing  fluid ^W^;  ^˙^ _disp   Volumetric displacement ^m ^ଷ ^;  ^^  Heat transfer effectiveness;  ^^  Efficiency  ^^ ^^  specific heat capacity at constant pressure ^J/kg/K^;� �F Air‐Structure surface area ratio ℎ   Specific enthalpy  ^{^} kg/m ^{ଷ^} ;  ^^  Polytropic constant;  ^^ ^^ ^^ Number of transfer units;  ^^ Overall  heat transfer coefficient ^W/m ^ଶ  K^;  ^^  Volume of heat exchanger ^m ^ଷ ^;  ^^  Specific volume  ^{^} _m ^ଷ _/kg ^{^} _{; ^^  Vapor quality;  ^^  Vapor quality.}  [00271]     Additionally, as used herein, the following abbreviati ons are defined: 21CTP  (21st Century Truck Partnership);  ^^ ^^  (Air Conditioning);  ^^ ^^ ^^ (Auxiliary Power Unit);  ^^ ^^ ^^  (Computation Fluid Dynamics); DOE (Department Of Energ y);  ^^ ^^ ^^ (Dynamic Time Warping);  ^^ ^^ ^^ (Electronic Expansion Valve); FMCSA (Federal Motor� �Carrier Safety Carrier);  ^^ ^^ ^^ ^^  (Heating Ventilation and Air Conditioning);  ^^ ^^ (Heat Exchanger);  ^^ ^^ ^^ ^^ (Long and Short term  memory) and MHDV (Medium Heavy Duty Vehicle).   [00272]     Additionally, the following terms will be understood  by those of skill in the art:   NN Neural Network;  ^^ ^^ ^^ Ordinary Differential Equation; PDE Partial Differe ntial Equation; ph  Pressure Enthalpy;  ^^& ^^ Research and Development; RAM Random Access Memory ;  ^^ ^^ ^^ ^^  MCC Ref. No.:  103361‐369WO1  Root Mean Squared Error;  ^^ ^^ ^^ Recurrent Neural Network;  ^^ ^^ ^^ Revolutions Per Minute;  ^^ ^^ ^^  State of Charge; TAM Time Allocation Matrix; TM Tran sition Matrix;  ^^ ^^ ^^ Technology Readiness  Level; and US United States.  [00273]     In the HVAC system, there are two HXs, a condenser� �on the ambient side, and  an evaporator interacting with the control volume of� �interest (FIG. 19). For an AC application, a  high‐temperature refrigerant enters the condenser as� �a vapor. It enters a two‐phase region and  exits the condenser as a sub‐cooled liquid. This s ub‐cool liquid is then depressurized using an  expansion valve before it enters the evaporator. This  depressurization helps the refrigerant to  absorb higher heat content at the evaporator. The re frigerant then goes into the compressor  where a mass flow rate is is controlled by adjustin g the compressor speed.  [00274]     Implementations of the present disclosure can include� �a cabin model. A vapor  compression cycle system interacts with the cabin's i nternal air to cool or heat it up based on its  application as AC or heat pump. It hence becomes im portant to predict the temperature of the  cabin. In this work, a grey‐box modeling approach  is adopted to develop a model that can work  for different cabins (by considering their size) by  being calibrated against a universal test  procedure. A literature survey helps to identify the� �right level of complexity to balance the  accuracy of the temperature prediction and the comple xity of the model.  [00275]     For developing the cabin model, the quantities of in terest are the average  temperatures of the roof and the windows, the HVAC  air temperature from the interior vents of  the cabin, and the temperature of the cabin's intern al air with those are shown in FIG. 13.  [00276]     This grey box model formulation takes inspiration fro m the heat transfer  equations and is calibrated using the data. The obje ctive of the model is to predict the cabin  MCC Ref. No.:  103361‐369WO1  average air temperature using readily available weathe r data, i.e., the solar GHI ^W/m ^ଶ ^,  ambient temperature ^ ^∘ C^, and additional wind/vehicle speeds.  [00277]     The elements chosen in this heat transfer prediction� �are cabin air, windows,  walls, and HVAC. While there are multiple sources of  external heat to influence the inside cabin  temperature, describing all can be cumbersome, increas ing the complexity of the model, but  also hard to calibrate using data from standard test  procedures, and at the same time add little  benefit to the prediction accuracy.  [00278]     Implementations of the present disclosure can include� �a two‐node model. In a  class 8 truck cabin, the windows take up the majori ty of the area. A two‐node model is  developed with cabin internal air as one element and  the window as the other. The heat  transfer coefficients and the specific heats have bee n chosen as calibration parameters. Some  of these calibration parameters can be derived and s implified using empirical relationships to  help guide the calibration process and also can be  used to guess their initial values.  [00279]     In this example model, the effect from the roof has  been ignored. A study in  Okaeme et al. (2021) suggests that insulating the ca bin to reduce heat transfer from the walls  would still have a massive impact. Hence a two‐nod e model is proposed accounting for the  temperature dynamics of the cabin's internal air and� �the temperature dynamics of the  windows.  [00280]     Concepts from fluid dynamics are used to capture the  heat exchanged from  the effect of wind. The Nusselt number gives a rela tionship between the heat transfer  coefficient from the convection to that from conducti on and is highlighted in Eqs.(1, 2, and 3).  MCC Ref. No.:  103361‐369WO1  ℎ _^^^ ൌ ^{ே௨ೌ^^^ೌ^^} ^ _surface  ^1^ ^^ ^^ ^^ ^{^/ଶ}   cross‐flowing wind is found by lumping all the con stants in ' k ' as shown in Eq. (4) and Eq. (5).   Another term ℎ _^^^  is added that accounts for the natural heat  transfer coefficient in the  absence of the wind.  ^ ^/ଶ [ _00283]     ^{ℎ^^^ ൌ ^^ ^^^^^} ^4^ ^ _^^ ^{^.ହ}   captures the temperature dynamics of the window (abbr eviated as 'win') and the cabin is  shown in Eq (6). The term  ^^ _wind   is the relative velocity of the wind and the  vehicle. The  direction of the wind is not considered in the exam ple study. The temperature of the air from  the vents for the HVAC system in the cab is used  as  ^^ _^௩^^ .  ^ ^{^ ௗ்} _^^^ ௪ ^{^^} _ௗ௧ ൌ ^^^ ^^ ^^ ^^^ ^ ^^ _௪^^,^ ^ ^^ _^ െ ^^ _௪^^ ^ ^ ൫ ^^ _௪^^,^^^ ^ ^^ _௪^^ ^^ ^{^/ଶ} ௪ _^^ௗ ൯^ ^^ _^^^ െ ^^ _௪^^ ^        calibrated using a gradient‐free optimization method� �reducing a custom cost function (which is  the root mean squared error between the simulated an d the experimental values). The  objective function in this dynamic optimization proble m has been defined as the weighted sum  of the two nodes. To bias the prediction accuracy t owards the primary quantity, that is, cabin  temperature, different weights were tried. However, it  was found that having an equal weight  for all the parameters gave equal benefit in predict ion as any other weighting combination. This  MCC Ref. No.:  103361‐369WO1  is because while biasing the prediction to favor the  cabin temperature, authors consequently  ignore the other node. Because of the coupling in t he model equations, having a bad prediction  for the other node would ultimately impact the accur acy of the primary node too.  [00287]     It was observed that Root Mean Squared Error (RMSE)� �values are within the  allowable range and the window node is predicted as� �desired. Although, cabin air temperature  shows a deviation of 4 degrees which is a high val ue. A positive error implies that the  temperature of the cabin is predicted to be lower t han the actual. This is suggesting that there  is a source of heat in the cabin which is ignored.  This is designated as the wall of the truck.  Hence, a three‐node model is proposed to capture t he temperature of the roof and is described  below.  [00288]     This estimation is useful when the vehicle is statio nary, i.e., during the hotel  phase. However, the effects of wind or a moving veh icle on the temperature of the cabin are  also vivid. Due to the disparity in the heat transf er coefficients between the walls and the  windows, the vehicle while moving might not affect t he heat of the cabin through walls, but it  might affect the windows.  [00289]     Although the window covers most of the heat convecti on to the cabin's  internal air. Because of the solar GHI, the roof on  a sunny day can get really hot. This might  force the roof element to also have an impact on t he temperature of the cabin. To study this  effect a new node is added to the 2‐node model f or the roof of the truck and the updated  model is presented in Eqs ^7,8, and 9) and the imp rovements from a 2‐node model are studied.  MCC Ref. No.:  103361‐369WO1  ^^ ^ௗ் r _oof  ^roof  ௗ _௧ ൌ ^^^ ^^ ^^ ^^^ ^ ^^ _roof ,^ ^ ^^ _^ െ ^^ _roof  ^ ^ ൫ ^^ _roof,amb  ^ ^^ _roof  ^^ _௪ ^{^} ^ ^.ହ ^ _ௗ ൯^ ^^ _^^^ െ ^^ _௪^^ ^^7^ ^ _^ ^{ௗ்^^^} _^^ ^{^} _{^^ ^^ ^^} ^{^} _{^ ^ ^}   model with an added vector of the roof temperature.� �Each element is isolated to find the right  parameters for the node as long as they can be ind ependent of each other. Since the window  and roof can be, the values found for  ^^ _௪^^,^  and  ^^ _roof,c   in separate calibration and reused while  calibrating for the parameters for the cabin node. F or fine‐tuning, after calibrating all the node  parameters separately, a calibration was run again, w ith all parameters combined in a single  calibration. A biased‐based cost function was define d just like the cabin model with two nodes  and similar results were observed.  [00292]     Fig. 14A illustrates example cabin temperature error  for an example  implementation of the present disclosure that was stu died. FIG. 14B illustrates example  temperature difference for an example implementation o f the present disclouse. FIG. 14C  illustrates an example error histogram for an example  implementation of the present  disclosure.   [00293]     FIG. 14D illustrates example window temperature error� �for an  implementation of the present disclosure that was stu died. FIG. 14E illustrates example  temperature difference for the example implementation  of the present disclosure. FIG. 14F  illustrates an example error histogram for an example  implementation of the present  disclosure.  MCC Ref. No.:  103361‐369WO1  [00294]     Fig. 15A illustrates example cabin temperature error  for an example  implementation of the present disclosure that was stu died. FIG. 15B illustrates example  temperature difference for an example implementation o f the present disclosure. FIG. 15C  illustrates an example error histogram for an example  implementation of the present  disclosure.   [00295]     FIG. 15D illustrates example window temperature error� �for an  implementation of the present disclosure that was stu died. FIG. 15E illustrates example window  temperature difference for the example implementation  of the present disclosure.   [00296]     FIG. 15F illustrates example roof temperature error f or an implementation of  the present disclosure. FIG. 15G illustrates example  roof temperature difference for an  implementation of the present disclosure. FIG. 15H il lustrates an example error histogram for  an implementation of the present disclosure.   [00297]     A comparison of the proposed models illustrated in F IGS. 14A‐14F and FIGS.  15A‐15H is given in FIG. 16. FIG. 16 illustrates  RMSE comparison of 2‐node model and 3‐node  model.  It is observed that the 3‐node model illu strated in FIGS. 15A‐15H has RMSE of 0.3 ^∘ C as  compared to the 2 ‐node model illustrated FIG. 14A ‐14F while adding five additional calibration  parameters in the model.  [00298]     The study included model validation. To compare the  above given 2 ‐node and  3 ‐node models, a different vehicle was used in t he test cell. The idea behind this validation is to   see which model holds more accuracy across different� �vehicles. Unlike the previous calibration,  the model may not require the majority of the data� �set to calibrate the model parameters for  this new vehicle since the parameters are already ca librated for a similar vehicle. Different sizes  MCC Ref. No.:  103361‐369WO1  of data from the data set are chosen to study how� �quickly these two models can adapt. Three  instances were evaluated where 10%, 30%, and 60% of the data for calibration, and the  results are reported in FIG. 17.  [00299]     As the amount of data used for calibration is incre ased as expected the error  reduces (FIG. 12). The temperature of the windows wa s consistently accurate through all the  calibrations and both the models. There is a massive  improvement in roof temperature tracking  with increasing data. It can be seen that the error  is within േ5 ^∘ C with the mean at nearly zero  for all the nodes. The error at the cabin seems to  be increasing with time. This is due to the lack� � of windshield temperature data. The windshield is dir ectly impacted by the solar lamp (in the  test cell) and hence the sun. Optionally, the side  window temperature can be used instead.  Since the side windows are not impacted as much by� �the heat of the sun as the windshield, they  can represent a lower temperature. The cabin takes i n heat directly from the windows too, a  lower temperature from the windows indicated a lower� �temperature for the cabin. Hence,  adding the window temperature would fix the increasin g cabin temperature error.  [00300]     When 60% data is used in calibration, both the 2‐ node model and 3‐node  model perform about the same for the cabin temperatu re estimation. However, when the data  is reduced to 10% the 3‐node model performs better . This implies that the 3 ‐node model, a  smaller data set for a given vehicle will be requir ed to obtain the same accuracy as the 2‐node  model with larger data. The number of calibration pa rameters, in this case, seems to have a  smaller effect than previously assumed. FIG. 18 shows  the final prediction of the cabin  temperature, window temperature, and roof temperatures� �from the model using the new data  set.  MCC Ref. No.:  103361‐369WO1  [00301]     Implementations of the present disclosure can include� �a vapor compression  cycle model. Air conditioners and heat pumps can wor k on a principle described by the vapor  compression refrigeration cycle or vapor compression c ycle as shown in FIG. 19. In this method,  cooling/heating is achieved by exchanging the heat of  a system with the environment via a  refrigerant. Most vehicles and households use a refri gerant called R134a and it is used in this  application as well.  [00302]     FIG. 19 shows the components in a vapor compression� �cycle and FIG. 20  shows its equivalent on a pressure‐enthalpy (ph) di agram. The area between the two solid lines  is the two‐phase region. For an  ^^ ^^ application, the evaporator module interacts with  the space  that needs to be temperature controlled. The refriger ant enters the evaporator at point 3 as  low‐pressure and low‐temperature two‐phase fluid  where it absorbs the heat to exit as a  superheated gas ‐ point 4 ‐ from the relatively� �hotter cross‐flowing air through the evaporator.  The hot refrigerant then reaches the condenser at a� �higher pressure and temperature as a  superheated gas (point 1) and a relatively cooler cr oss‐flowing fluid absorbs this heat changing  the refrigerant to a two‐phase fluid and ultimately  to sub cool liquid as the refrigerant cools  down.  [00303]     The Electric Expansion Valve (EXV) at the exit of t he condenser is used to  decrease the pressure of the refrigerant to lower it s boiling point for effective heat transfer and  achieved this effect at a constant enthalpy. The pre ssure difference achieved by the  compressor pushes the refrigerant to a higher pressur e by commanding a flow rate. This is  represented by the green line. The work done to ach ieve this delta pressure is our point of  focus. Compressor work is a function of the pressure  ratio ^ ^^ _^ / ^^ _^ ^ and compressor speed. A  MCC Ref. No.:  103361‐369WO1  model is hence required that can represent the press ure of the refrigerant at the condenser  and the evaporator and this is done by the HX mode l.  [00304]     Large‐scale Computational Fluid Dynamics (CFD) tools� �have been useful in  modeling the complicated state transitions in fluids  in small control volume flows also shown in  Altwieb et al. (2020) and Fukuchi et al. (2019). Wh ile modern computation resources help very  large CFD problems to be solved faster and give ver y accurate results (still slower than their 1D  counterparts), they can be overkill for control objec tives, and relatively large computation  times for these problems are undesired. 1D lumped pa rameter modeling also offers accurate  solutions with faster computations. These models provi de enough accuracy for any control  development and validation while providing a reduction  in computation. One application in the  performance evaluation of air‐cooled condensers is s hown in Ge and Cropper (2005). In  (Steinstraeter et al. (2022), Widmer et al. (2022)),� �the authors proposed a technique to control  the effect of cabin heating on the range and lifeti me of electric vehicles and onboard battery  packs.  [00305]     Dynamic equations can describe the flow of a phase� �changing fluid in an HX.  He (2005) and Ge and Cropper (2005). Both methods s tart with the first principles ‐ using finite  volume equations for the conservation of energy, mome ntum, and mass as Partial Differential  Equations (PDEs). To account for the changing phase  of the fluid, they divide the HX into zones  representing different phases, i.e., liquid, two‐phas e, and gas.  [00306]     He (2005) defines a moving interface lumped parameter  model in which the  HX is divided into three sections/zones: two‐phase;� �superheat; and sub cool zones with lengths  L1, L2, and L3. They integrated the PDEs for the c onservation of mass, energy, and momentum  MCC Ref. No.:  103361‐369WO1  over the length of the HX to form a set of Ordina ry Differential Equations (ODEs) in pressure  and void fraction. Furthermore, Ge and Cropper (2005)  split the two‐phase region into two  regions at a 3: 2 ratio because of the rapid rise in the heat tran sfer. With this approach, the  error in their models was േ10% of the experimental  value.  [00307]     The present disclosure includes HX models. Zhang et  al. (2015). The HX  models developed in the present disclosure can suppor t energy estimation during the hotel  period of a class 8 truck using rule‐based control .  [00308]     The present disclosure includes a fundamental approach  that can be  incorporated in a controller [Lustbader et al. (2011) , Richter (2008) Tummescheit et al. (2005),  Tummescheit (2002)]. A grey‐box modeling approach is  disclosed hereinand some calibration  parameters are included like the heat transfer coeffi cient of an HX, which itself is calculated  using the e‐NTU method [Browne and Bansal (1998)].� �CoolProp, RefProp [McLinden (1998)], is  used to calculate internal fluid properties as needed . The present disclosure can include  approaches to calculate the compressor work by assumi ng polytropic work between two  pressures at the HX with isentropic correction.   [00309]     The data that is used for calibration comes from th e same data set as that  used in cabin model calibration. Example quantities a re shown in FIG. 21. The evaporator air in  and out temperatures are the temperatures of the rec irculating air fed to the evaporator from  the cabin and the air blown from the AC vents on  the dashboard respectively and the  corresponding air flow rate is shown in FIG. 22A al ong with the condenser cross air flow rate  (FIG. 22B) which is placed in front of the radiator  module and is air‐cooled through the ram air  effect. The radiator fans control the cross‐air flo w rate at the radiator face. While the study can  MCC Ref. No.:  103361‐369WO1  use the air flow rate at the face of the radiator,  the metric may not be available from the test.  Since the test captures the radiator fan RPM the ex ample implementation can use that to  calculate the air flow rate using the Eq. 10. It c an be seen from Eq.10, the airflow rate depends  on the density of air, RPM of the radiator fan, an d some design parameters of the radiator  which are not available. To bridge this gap, the st udy used data Wang et al. (2014) for a similar  size radiator and use appropriate scaling.  మ _ఘ ^{య ᇲమ} [00310]     ^˙^ ^ସగ _{ೌ^^^^ ^^ே^ ^ି௩ ^} ൌ _^^ ^ _^ା௩మ ^ (10)  radiators used in vehicles of similar size [Kenworth� �and Peterbilt (2012)], and then ram air  speed ^mph^ is converted into air flow rate ^kg/s^  considering the loss in flow rate at the grill of  the vehicle. Using the information provided in Wang  et al. (2014), a correlation is established  between the air flow rate and the radiator RPM and� �then RPM is converted into the flow rate  for the condenser air flow rate and is shown in FI G. 22A which shows the evaporator flow rate,  and FIG. 22B which shows the condenser flow rate. T otal coolant flow rate is illustrated in FIG.  22C.  [00312]     In Supertruck II, an example strategy is to maintain  a 5 ^∘ C sub‐cool and a 10 ^∘ C  super‐heat. However, from the test data procedure,  the EXV and the compressor speed are  manually controlled and sometimes they counteract each  other to produce inconsistent  superheat and subcooling. Hence, for the right calibr ation, this information is fed directly into  the model. The fluctuations in the data from the ti me at  ^^ ൌ 20 minutes to  ^^ ൌ 60 minutes are  due to engaging and disengaging an AC clutch that r egulates the compressor speed. The  refrigerant flow rate is captured in FIG. 22B.  MCC Ref. No.:  103361‐369WO1  [00313]     In order to represent the pressures at the HXs, som e assumptions can be used  reduce the computation effort without significant comp romise on accuracy. These assumptions  pertain to the HX component and the complete vapor  compressor cycle as well.  [00314]     The refrigerant can be described completely with Pres sure ^ ^^^ and average  vapor quality ^ ^^^ in the HX. The heat is exchanged only through  walls of the HX lateral to the  direction of flow of refrigerant. There is no heat  loss in the direction of the flow of the  refrigerant. The walls are thin enough to not have  any loss of heat at the walls and the wall can  be lumped with the refrigerant.  [00315]     Heat transfer coefficient across the heat exchanger i s constant.  [00316]     Refrigerant R134a does not deviate from its propertie s as shown in the ph  graph in FIG. 20.  [00317]     The pressure remains constant and there is no fricti onal loss in the HX. This  allows the pressure of the refrigerant at the HX to  be represented as a single state P.  ൫ ^^ _^ ൌ ^^ _^, in  ൌ ^^ _^, out  , ^^ _^ ൌ ^^ _^, in  ൌ ^^ _^, out  ൯       with no change in the enthalpy of the refrigerant.  ^ℎ _ଶ ൌ ℎ _ଷ ^  [00319]     The Superheat ^SH^ and subcool ^SC^ can be calibrate d to achieve a constant  superheat temperature Δ ^^ _ௌு ൌ ^^ _ସ െ ^^ _^ ^ ^^ _^ ^ ൌ 10 ^∘ C and a constant subcool temperature  Δ ^^ _ௌ^ ൌ ^^ _ଶ െ ^^ _^ ^ ^^ _^ ^ ൌ 5 ^∘ C.  [00320]     Implementations of the present disclosure include a m oving interface  mathematical model.   MCC Ref. No.:  103361‐369WO1  [00321]     The fundamental PDEs for the conservation of mass an d energy are reduced,  inspired from He (1996), and integrated over the len gth (L) of the  ^^ ^^. The final form is  proposed based on average vapor quality  ^{^} ^^ _^ ^{^}  and the two‐phase pressure (P) in Khuntia e t al.  (2022c). The flow rate of the refrigerant entering a nd exiting the refrigerant is assumed to be  constant hence reducing the two ODEs into one in Pr essure as compared to that proposed in  Singh (2021). The equation proposed in Singh (2021)  is shown in eq(11) and the final reduced  form is shown in eq(13).  ^ 0322]     _௩మ ^^ ௗ^ ௗ ^ ^ మ ^^ ^{ௗ^} _{^ ൌ ^˙^^^ℎin  െ ^˙^out ℎout  ^ ^^ ^} ^˙ _11^ [0 _{^ ௧ ௩^ ௗ௧}   [00323]     [00324]     ^˙^ _in  ൌ ^˙^ _out    [00325]     This reduces the above equations into one equation r epresenting HX pressure  dynamics:  [00326]     ^{^} ௩ _^మ ^ ^^ െ ^^ ா ^ ௗ^ ௗ _௧ ൌ ^˙^^ℎ _in  െ ℎ _out  ^ ^ ^˙^ (13)       is represented as  ^˙^. Going by the convention of the direction of f low of heat, the  ^˙^ for the  MCC Ref. No.:  103361‐369WO1  evaporator and the condenser takes opposite signs. It  can be calculated using the e‐NTU  method as it allows us to calculate the exit proper ties of the refrigerant using only the inlet  properties and is highlighted in Eq. (16)  ^^ ൌ ^{ೌ^˙^} ൌ 1 െ ^ ^{ିே்^} ^ _˙^౮ ^ ^16^ ൯ ^17^ [00330]   ൌ _^min  [00331]     The calibration activity for the HX is to estimate  the overall heat transfer  coefficient, UA. The UA is calculated based on the  Eq. (20). It is highly dependent on the HX  geometry which is constant for a particular HX and  is provided in the supplier datasheet. The  authors calibrate this as a lumped value. Although t he heat transfer coefficient  ^^ is a function  of the crossflowing air speed, hence is not constant . Due to limited data points and a limited  range of operation, it can be assumed as a constant .  [00332]     ^^ ^^ ൌ ^^^1 െ ^^ _^^^ ൫1 െ ^^ _^^^ ൯൧ ^^ _^  (20)       transfer (shown in Eq. (22) for the evaporator and  Eq. (21) for condenser) the study determined  the exit air temperatures.  [00334]     ^{^˙^^ ൌ ^˙^^^^ ^^ ^^^^^൫ ^^^^^,^^ െ ^^^^^,^௨௧൯ ^21^}   [00335]     [00336]     ^{^^^^^, out  ൌ ^^^ ^ ൫ ^^^^^,^^ െ ^^^൯ ^^ିே்^^ ^23^} ି _ே்^   ^ _{^^^^, out  ൌ ^^^ ^ ൫ ^^^^^,^^ െ ^^^൯ ^^ ^ ^24^} MCC Ref. No.:  103361‐369WO1  [00337]     The equation Eq. (25) represents the final model equ ation by using Eq. (19) to  Eq. (24) along with the mention of the calibration  parameters in red.  [00338]     ^{^} ௩ _^మ ^ ^^ െ ^^ ா ^ ௗ^ ௗ _{௧ ൌ ^^ ^ ^˙^} ^{^} _{ℎ^^ െ ℎ^௨௧} ^{^} _{^ ^^ ^˙^^^^ ^^ ^^^^^ ^ ^^^^^,^^ െ ^^ு^ ^} parameter 'M' helps in better capturing the transienc e in the data. The UA is the overall heat  transfer coefficient as discussed earlier in this wor k.  ^^ is a correction term for the inaccuracies  that may have come about due to the estimation of  flow rates. The calibration parameter '  ^^ '  acts as the larger knob for tuning the heat exchang e pressure while the UA acts as the fine‐ tuning knob.  [00340]     At the condenser, the refrigerant exits as a sub‐c ooled liquid. While going  through the EXV, its pressure drops at a constant e nthalpy and enters the evaporator as a two‐ phase fluid. The pressure and the sub‐cool at the� �condenser are used to identify the enthalpy,  and the pressure at the evaporator is used to pinpo int the properties of the refrigerant from  the ph curve (FIG. 20).  [00341]     The refrigerant properties are calculated using a fre e property open source  software COOLPROP using the python wrapper Bell et a l. (2014) in MATLAB.  [00342]     The refrigerant exits the evaporator as a superheated  gas. This helps in  avoiding any liquid entering the compressor. However,� �the degree of superheat is kept small as  very hot and dry gas entering the compressor can al so sabotage the machine.  MCC Ref. No.:  103361‐369WO1  ^^ _{^ ^^ଶ ൬ ^^^ െ} ^{^^^ ^^^} ^ _{^ ^} ^{^^ ^^^} ^ _{^ ൌ ^^^^ ^˙^^^^} ^{^} _{ℎଷ െ ℎସ} ^{^} _{^ ^^^ ^˙^^൧ ^26^ ^,^ ^ ^^} [00343] relationships and using one steady state data point  for the inlet and exit temperatures of the  refrigerant. Then  ^^ _^  and  ^^ _^  are manually tuned. The equations are executed  in the  MATLAB/Simulink environment and the results are shown� �in FIGS. 23A‐23D. The results of the  simulation and the data did not match as expected.  There are inconsistencies that can be seen.  One arises mainly during the AC clutch ON‐OFF acti on. It is also reasonable since the model  being lumped parameter working with the given assumpt ions can capture the bulk average  behavior but not the behavior with the high transien ce. The second inconsistency can be seen  after t ൌ 60 min. The pressure trajectory predicted by the mod el is the same as that of the  data but shifted by a few units up. To match the  shift in pressure, the model is re‐tuned and  another set of parameters is used and the results a re shown in FIGS. 24A‐24D. While one set of  values for  ^^ ^^ _^ , ^^ _^ , ^^ _^  satisfied the transient behavior while another set  of parameters satisfied  the steady‐state values.  [00344]     This discrepancy is further investigated. Matching the  pressure dynamics from  the data to the refrigerant flow rate (FIG. 22B) it  was seen that the flow rate is increased  occasionally when the compressor engages and disengage s. This should indicate the pressure to  ^{decrease at the suction. This is predicted by t he model but not indicated by the data. At time}  _{t ൌ 60 min, the oscillations are stopped, the data displ ays the oscillations to have stopped at a}  MCC Ref. No.:  103361‐369WO1  higher pressure, but the model indicates the oscillat ions to be stopped at the lower pressure  value. This explains the shift in the pressure indic ated by the model and the data.  [00345]     The model does not seem to replicate the data exact ly, but the pattern and  trends predicted by the model and the data are simi lar. Possible sources of error can include:  missing information in the data including which in t he modeling should reduce the error and/or  that the assumptions in the model make it incapable� �to capture the pressure dynamics of the  HX pressure accurately.  [00346]     To check the validity of the example model and iden tify the source of the  error, another model (Zhang and Canova (2013)) was c hosen and compared to the existing  results later. This model relies on the time‐invari ant mean void fraction in the two‐phase region  of an HX to calculate its pressure. This model is  verified against experimental data and so serves  as a good baseline for comparison. The model however  demands an additional calibration  parameter for the weight of the refrigerant at the  HX and the definition of the void fraction for  this model is estimated (Dandekar and Brooks (2016))� �and is shown in Eq. (29):  ^‾^ _^ ൌ ^{^} ^ _ି௩ೌ ^ ^௩ _{ೌ ^^ି௫య^^^ି௩ೌ^మ ln} ^{^} _{^^^ ^} ^{^} _{1 െ ^^^} ^{^} _^^ଷ ^{^} ₍₂₉₎      segments of the data. FIG. 23A illustrates initial n o flow, FIG. 23B illustrates transience FIG. 23C  illustrates flow rate oscillations; FIG. 24D illustrat es steady‐state with calibration parameter set  1.  [00349]     It can be seen from FIG. 23A‐24D that in the fir st segment where the flow rate  is 0 , both the proposed model and Zhang et.al. mo del do not capture the increase in the  MCC Ref. No.:  103361‐369WO1  pressure. Following that, both models closely capture� �the transience and both reach the same  steady state value at nearly the same time as indic ated by the data. Both models do not capture  the oscillations but show the same trend. The steady ‐state condition at the end is not tracked  by either of the models but both show a similar tr end and are nearly identical to each other.  The steady state is however reached a little before� �but overall, the models are consistent with  each other and the last portion of the data.  [00350]     Breaking down the response segment‐wise can also be  used to show clearer  results, as shown in FIGS. 24A‐24D. The two models  match each other but they can be  disconnected from the data at some points. While the  oscillations are still captured, they are  not captured with the same magnitude however the ste ady state is captured by both models  accurately. They can hence be of use to capture the  overall averaged pressure which can be  used for energy estimation.  [00351]     FIGS. 24A‐24D illustrate calibrated evaporator models  comparison on 4  segments of the data. FIG. 24A illustrates initial n o flow. FIG. 24B illustrates transience. FIG. 24C  illustrates flow rate oscillations. FIG. 24D illustrat es steady‐state with calibration parameter set  2.   [00352]     FIG. 25 illustrates a summary of the RMSE for each� �segment of a evaporator  pressure using both models (proposed model and Zhang� �model). It is clear that the proposed  model shows a better response in representing the re al data.  [00353]     This solidifies the accuracy of the evaporator model� �and this is then used and  calibrate the condenser. The refrigerant enters the c ondenser as a superheated gas and starts  turning into two‐phase at the saturated vapor line.  It liquefies as it moves towards the  MCC Ref. No.:  103361‐369WO1  saturated liquid line where it changes completely int o liquid. Thereafter it changes to a  subcooled liquid and then the refrigerant enters the� �EXV to be depressurized for the  evaporator.  [00354]     FIGS. 26A‐26F illustrate experimental data compared  to a proposed model  error study on calibration parameter set 1, according  to the studied implementation of the  present disclosure. FIG. 26A illustrates a comparison� �of experimental data to the proposed  model for segment 1. FIG. 26B illustrates an error  histogram for segment 1. FIG. 26C illustrates  a comparison of experimental data to the proposed mo del for segment 1. FIG. 26D illustrates  an error histogram for segment 1. FIG. 26E illustrat es a comparison of experimental data to the  proposed model for segment 1. FIG. 26F illustrates a n error histogram for segment 1.  [00355]     FIG. 27 illustrates a comparison of RMSE error for  models of example  condenser pressures.   [00356]     FIGS. 28A‐28F illustrate experimental data compared  to a proposed model  error study on calibration parameter set 2, according  to A studied implementation of the  present disclosure. FIG. 28A illustrates a comparison� �of experimental data to the proposed  model for segment 1. FIG. 28B illustrates an error  histogram for segment 1. FIG. 28C illustrates  a comparison of experimental data to the proposed mo del for segment 1. FIG. 28D illustrates  an error histogram for segment 1. FIG. 28E illustrat es a comparison of experimental data to the  proposed model for segment 1. FIG. 28F illustrates a n error histogram for segment 1.  [00357]     Similar to the evaporator model, the condenser can a lso optionally have two  sets of parameters since the pressure dynamics are c oupled. One captures the first portion well  while the other captures the end steady state. As t he flow rate oscillations change the pressure  MCC Ref. No.:  103361‐369WO1  dynamics change direction, however, the data doesn't  suggest any of these switches. On  analyzing section‐wise it can be seen that segments  1 and 3 are in the acceptable range, while  segment 2 , due to the oscillation shows a high de viation from the data more than the 10%  reference.   [00358]     FIG. 29A illustrates condenser pressure with parameter  set 1, and FIG. 29B  illustrates condenser pressure with parameter set 2.   FIG. 29B shows that segment 2 shows  similar behavior, even in terms of the magnitude of� �the error. While segment 1 is captured well,  segment 3 shows a high deviation from data and the� �േ10% deviation. This is due to the spike  that wasn't captured in the model at time t ൌ 70 min.  [00359]     The compressor regulates the flow rate and hence the  pressure difference to  achieve the right cooling effect. In this application , an electric compressor is used which  converts the battery energy to mechanical work with  some electrical efficiency. The other  losses associated with the compressor are the (1) is entropic losses when the compressor  displays some deviation from the isotropic line when� �increasing the pressure from  ^^ _^  to  ^^ _^ , (2)  volumetric efficiency where the amount of refrigerant� �entering is not the same as the amount  of refrigerant exiting the compressor, i.e., the idea listic reduction in the compressor capacity,  (3) electrical and mechanical losses, i.e when conver ting electric work to mechanical work and  losses due to friction.  [00360]     These losses are captured as quasi‐static elements  as a function of the  pressure ratio and the RPM of the compressor using  steady‐state data. FIG. 31A, FIG. 31B, and  FIG. 31C show the maps used for the mechanical and� �electrical efficiency combined, volumetric  MCC Ref. No.:  103361‐369WO1  efficiency and the isentropic efficiency. FIG. 31A il lustrates mechanical and electrical efficiency,  FIG. 31B illustrates volumetric efficiency, and FIG.  31C illustrates isotropic efficiency.   [00361]     The volumetric efficiency is used to calculate the m ass flow rate given the  volumetric displacement as in Eq. (31).  [00362]     ^^ ^{^˙௩} ௩ ൌ ^{^} ^ _˙^^ೞ^ (31)  implementation studied. The isentropic efficiency is u sed to find the enthalpy at the exit of the  compressor or the entry of the condenser using the  relation in Eq. (32).  [00364]     ℎ ^{^భ,ೞି^ర} ^ ൌ ℎ _ସ ^ _{ఎisen ^^ratio ,ோ^ெ^}  (32)  shown in Eq. (33) and is observed to have a mean  of 1.08 and a standard deviation of 0.016 for  the entire data, and hence is used as a constant f or the simulation.  [00366]     ^^ ൌ ^{୪୭^ ^^ratio ^} ୪ _{୭^ ^ఘout /ఘin ^}  (33)       ^షభ      ^^ ൌ ^{^} ^^ ^{^} _^ ^{^} ^ ^^ _^ ^ െ 1^         cycle simulator capturing the coupling between the va por compression cycle, i.e., HXs,  compressor, and cabin, and is shown in Fig. 32. An� �'Ambient' subsystem that describes the  external conditions of the system like the solar GHI , ambient temperature, and relative wind  speed. A setpoint temperature is set at the driver  subsystem and the control module is a  MCC Ref. No.:  103361‐369WO1  placeholder for any control strategy desired to be i mplemented in the system. The current  simulation is run with a cabin vent blower and comp ressor and radiator fan RPM control.  [00370]     The objective of this simulator is to calculate the� �compressor power to  maintain a certain temperature at the cabin and also  to study any control development. As an  example, a cabin modeling section of Khuntia et al.� �(2022a) is emulated and the corresponding  load is calculated. That is maintaining the cabin at  a setpoint temperature of 24.5 ^∘ C.  [00371]     It was found that due to the size of the cabin, t he temperature of the  recirculating air going into the evaporator was not  the same as the average cabin temperature.  However, it had similar dynamics to it. Hence a pse udo node is introduced and added to the  cabin model that represents the air entering the eva porator.  [00372]     ^^ ^ௗ h _vac  ^{^} ௗ _௧ ൌ ^^ _௪^^,^ ^ ^^ _௪ െ ^^ _^ ^ ^ ^^ _roof,c  ^ ^^ _roof  െ ^^ _^ ^ ^ ^^ ^˙^ ^^ ^^ _^^^ ^ ^^ _hvac  െ ^^ _cab  ^  a rules‐based controller, the results and the contr ol actions are shown in FIGS. 33A‐33C. The  model is calibrated for AC operations. It can be se en in FIG. 33B that the data for cabin internal  air temperature is provided. In the experiment, until  time  ^^ ൌ 4 h, the HVAC is operated as a  heat pump. As the daytime temperature rises the cabi n is maintained at a setpoint temperature  and as the temperature falls, the cabin temperature  also falls. The load corresponding to the  hoteling period is calculated and is shown in FIG.  33C and the corresponding evaporator and  condenser pressure is shown in FIG. 33A. It is wort h noting that as the temperature of the cabin  needs to be maintained, the pressure of the refriger ant has to fall to be able to lower its own  temperature for effective heat transfer, while at the  condenser the temperature has to increase  higher for effective heat transfer with the  MCC Ref. No.:  103361‐369WO1  [00374]     If the model is not calibrated as a heat pump, it� �is not activated when it  should be used for heating, hence it takes longer t o rise to the setpoint temperature.  [00375]     No cross‐flowing air at the condenser end can help  in the rise of pressure at  the condenser. Condenser fans are turned off at this  time. When they turned on, the pressure  at the condenser decreased. The compressor RPM is co mmanded using the difference in the  ambient and the cabin inlet temperature, and it in  turn commands a flow rate for the  refrigerant using the relationship in Eq. (31). FIG.� �33C shows the corresponding electrical  power. This is only corresponding to the compressor  work and not the vent blowers in the  cabin. The total energy required at the compressor w as found to be 15.21kWhr.  [00376]     Implementations of the present disclosure can include� �a data driven Model.  HVAC may not be the only source of load on the on board battery pack during the hotel period.  The driver engages in activities like having food/dri nks, relaxing, and watching TV. The cabin in  a long‐haul sleeper truck comes equipped with devic es to support these activities like a  microwave, refrigerators, etc. There is a load associ ated with using these devices. The time and  duration of using these activities (device usage) det ermines the total energy consumption  during the hotel period as shown in FIG. 4. While  HVAC load can be predicted using Physics‐ based HVAC modeling, the example implementation can c apture the other activities of the  driver using Machine Learning techniques.  [00377]     Any machine learning model requires a lot of data t o be trained on. In this  case, the data is the time and duration of a corre sponding device being used during the 10‐hour  hotel period. Currently, this data is not being acti vely recorded on the truck, and in cases where  it is recorded, it is not easily available to be s hared. It is also not possible to have enough surve y  MCC Ref. No.:  103361‐369WO1  data to supplement the training of a Neural Network� �(NN) which can require 100’s of data  points to be accurate enough. Hence, the synthetic d ata is generated in this work based on the  existing survey samples.  [00378]     FIG. 4 illustrates different activities and the x‐a xis shows the different time  stamps. FIG. 4 represents the survey data recorded f or the SuperTruck project. While some of  these activities require the use of an electrical ap pliance like a TV, the ones that don't are  represented by 0W. FIG. 5 represents the normalized  electric power for the 10 hours of the  hotel period for these activities. The majority of t he time the load is low and there are some  large spikes in the data. These spikes correspond to  the microwave and the coffee maker is  turned on. The long during between the two sets of� �spikes is the time in which the driver  sleeps. The other loads can considered be small and� �insignificant.  [00379]     According to implementations of the present disclosure , predicting the  duration of each activity independently is a multivar iate problem and increases the complexity  of the machine learning problem. By adding all the  corresponding loads at a particular time  stamp, such as shown in FIG. 5 and predicting this� �profile can reduce this multi‐variate problem  to a uni‐variate problem eliminating the need for  creating categories/labels for each  activity/group of activities. The long and Short Term  Memory (LSTM) algorithm can be used in  implementations of the present disclosure for predicti ng this time series data and is set up as a  regression problem. The input and output are set up� �as a predictor response format where a  series is fed as an input and the output is a val ue representing the power load at the next time  instant. For the first time step, the problem is se t as one‐to‐one and then changes to a many‐to� �� one prediction from time to step two as the predict ion is stacked to the input.  MCC Ref. No.:  103361‐369WO1  [00380]     The first survey is used to generate enough data se ts to train a machine  learning algorithm. A Time Allocation Matrix (TAM) an d a Transition Matrix ^TM^ are extracted  from it. A combination of the two along with a pow er load vector is fed as the input to the NN.  The algorithm gives some predictions which are then  evaluated and the performance is  reported. A flowchart of the algorithm configuration  for the example implementation is  illustrated as FIG. 7.   [00381]     The temporal information is captured using the probab ility distribution for  each activity and can be seen in FIG. 8 for the d river sleeping, using the microwave, and using  the coffee maker activities. The TM is developed usi ng Markov property Gagniuc (2017). For  ^^‐ activities a  ^^‐by‐n matrix is generated, in which the element   ^^‐by‐m ^ ^^, ^^ ∈ ^^^ would store the  probability of going from activity  ^^ to activity  ^^ at any instant.  [00382]     The non‐limiting example algorithm in the study was  set up as:  [00383]     (1) Split the data into training and test sets in  a 9: 1 ratio  [00384]     (2) Create predictor  ^^ ^{ழ^:^ షభவ}  and response  ^^ ^{ழଶ:^ வ}  for the training sequences  where  ^^ _௫  is the length of the series.  [00385]     (3) Row wise append the predictor with TAM and TM,� �i.e., create the input  matrix. and train the network.  [00386]     (4) Use the trained network to predict the test day . An initial guess of  ^^ ^{ழ^வ}  is  0 and a prediction  ^^ ^{ழ^வ}  is made. This prediction is columnwise appende d to  ^^ ^{ழ^வ}  as  ^^ ^ழଶவ  and  a prediction for 3rd time step, i.e.,  ^^ ^ழଶவ  is made until  ^^ ^{ழ ^வ}   [00387]     the power load. MATLAB NN toolbox was used to defin e the architecture of the LSTM algorithm  MCC Ref. No.:  103361‐369WO1  and is summarized below. The algorithm is trained us ing an 'adam' solver with an initial learning  rate of 0.005 and a gradient threshold of 1 for 25 0 epochs.  [00388]     (1) Input Layer: With 25 features  [00389]     (2) LSTM Layer: With 50 hidden units  [00390]     (3) LSTM Layer: With 50 hidden units  [00391]     (4) Fully Connected Layer: Multiplies the input weigh t matrix and adds the  bias vector.  [00392]     (5) Regression Layer: Compares the mean squared error .  [00393]     The right compromise between the computation time and  accuracy is  suggested using 2 layers. In order to capture the m inor trends in the data a two‐layer deep  LSTM is used. Adding another LSTM layer increases th e computation time exponentially high.  [00394]     The study included model validation. Characterization  of the accuracy of the  prediction can be used to define the performance of� �the algorithm and also the  hyperparameter tuning. Euclidean distance with Dynamic� �Time Warping (DTW) is hence used.  While having the total energy consumption as a metri c can be useful, it would give an error  averaged over the complete prediction horizon. Instant aneous predicted power needs to be  checked and this is where DTW becomes useful. Using� �the RMSE error after warping the time  axis  [00395]     The two hyper‐parameters define the size of the ne twork as well as determine  the computation time. The number of hidden units cho sen is [20 50 100 150] while the training  period is [10 204070100140 200]. A visualization of  the errors for the different combinations is  MCC Ref. No.:  103361‐369WO1  given in FIG. 9 as the surface plot of the error  matrix, this is the Euclidean distance measured  point‐wise on the warped time axis.  [00396]     Since the optimization did not follow a pattern, a  grid exhaustive search  determines the minimum error at 50 hidden units and� �a training period of 20 days. The results  with this combination are reported in FIGS. 10A and� �10B.  [00397]     FIG. 10A shows the forecast and the prediction as i s while FIG. 10B shows its  warped version. Different overlapping regions show the  accuracy of the model. However it  must be noted that warping may not be used for the  final prediction, but only to gauge the  accuracy of the model. It is irrelevant to capture  the exact times of the activities and more  important  to capture the overall trend. For instanc e, it is more important to have the larger  spikes corresponding to the usage of microwave and c offee maker to be at the start and the  end of the hoteling leaving the time in the middle� �for the sleeping activity.  [00398]     The two‐layer LSTM algorithm trained on 20 days of  data with 50 hidden units  achieved 90% accuracy in total energy prediction calc ulated as the integrated sum of power  over time. A 32 GB RAM, 2.2GHz clock rate, and 64� ��bit processor computer are expected to  take 4 minutes for the computation.  [00399]     The study included an evaluation of an example drive  cycle corresponding to a  full day of a class 8 vehicle on a long‐haul jou rney is developed adhering to federal laws. The  example vehicle is a mild hybrid vehicle where the  electric motor only works as a generator to  charge the onboard battery pack during the drive pha se. FIG. 34 illustrates the drive cycle and  includes drive and hotel phases. The drive cycle of� �FIG. 34 is generated by repeating a smaller  MCC Ref. No.:  103361‐369WO1  drive cycle defined for the SuperTruckII. The driver� �is on‐duty for 11 hours with two 30‐minute  rests and hotels for 10 hours.  [00400]     The models presented in this paper estimate the tota l energy required during  the 10‐hour hotel period. This is a combination of  the HVAC load (FIG. 33C) calculated using the  physics‐based models and the load from the activiti es of the driver is predicted using the LSTM  algorithm (FIGS. 10A and 10B). This is also illustra ted in FIG. 34.  [00401]     After determining the energy consumption, a correspond ing initial (beginning  of hotel period) battery's SOC is determined. An opt imal SOC trajectory is calculated using an  optimal control‐dynamic programming algorithm that fi nds the optimal instances to recharge  the battery, This can be done by running the engine  at a more efficient operating point while  transferring additional energy to the battery or rege neration from the wheels Singh et al.  (2022). Dynamic programming, being a non‐causal opti mization method, requires all the  information about the route and power loads from the  auxiliary devices ahead of time.  [00402]     The SOC is displayed in FIG. 34. These two lines c orrespond to two different  battery packs (battery pack‐1 and battery pack‐2),  the smaller‐dotted blue, and the larger pack ‐� � solid blue. In this case, the energy required to su pport hotel loads is higher than the battery  capacity hence the battery needs to be charged fully  before the hotel period starts. The battery  starts being used as the driver is resting inside t he truck and using the auxiliaries.  Correspondingly the SOC starts to drop until it reac hes the minimum allowable SOC. At this  point, the engine has to be idle to charge the onb oard battery pack only to the amount as is  required for the rest of the hotel period avoiding  the 10 hour hoteling which is prevalent in  MCC Ref. No.:  103361‐369WO1  trucks with conventional powertrains. The smaller batt ery requires 1.09 hours of additional  idling to support this operation while the larger pa ck required only 27.8 minutes of idling.  [00403]     FIG. 35 illustrates an example system according to i mplementations of the  present disclosure. HVAC load cycle information can b e predicted, and user activity can be  predicted. The HVAC load cycle information and user  activity predictions can be used to  determine a state of charge (“SOC”). Optionally,  the models shown in FIG. 35 can be refined  based on the actual user activities and/or actual HV AC load.    [00404]     Implementations of the present disclosure include syst ems and methods to  estimate the energy in hybrid class 8 long haul tru cks during hoteling and/or use that  information to increase the freight efficiency of the  vehicle achieved using an optimal control  algorithm called dynamic programming. A full day of  simulation is used herein to show the  results. The estimation of energy during hoteling is� �estimated using physics‐based modeling and  machine learning. Thermal models for the components i n a vapor compressor cycle are  developed from the first principles. The HX is model ed using the moving boundary method and  the compressor is modeled using empirical relationship s. A 2‐node and 3‐node cabin model is  explored to estimate the temperature of the cabin at  all times. Loads other than the HVAC  loads, concerning the use of different devices are p redicted using time series forecasting using a  Recurrent Neural Network (RNN) called LSTM. An exampl e 2 layer LSTM model uses 20 days of  data to predict one full 10 hour hoteling. A 20‐d ay moving window can be used to ensure  consistent low‐energy training and accuracy. Both mo dels can work separately to produce a 10  hour hoteling load that is ultimately combined and u sed together in the optimal control  algorithm.  MCC Ref. No.:  103361‐369WO1  [00405]     References  [00406]     Although the subject matter has been described in la nguage specific to  structural features and/or methodological acts, it is� �to be understood that the subject matter  defined in the appended claims is not necessarily li mited to the specific features or acts  described above. Rather, the specific features and ac ts described above are disclosed as  example forms of implementing the claims.  [00407]     Administration, F.M.C.S. (2011). Interstate truck drive r's guide to hours of  service.  [00408]     Aztiria, A., Augusto, J.C., Basagoiti, R., Izaguirre,� �A., and Cook, D.J. (2012).  Discovering frequent userenvironment interactions in in telligent environments. Personal and  Ubiquitous Computing, 16(1), 91‐103.  [00409]     Gagniuc, P.A. (2017). Markov chains: from theory to  implementation and  experimentation. John Wiley & Sons.  [00410]     Goutham, M., Stockar, S., Blaser, R., and Hanumalagut ti, P. (2021). User  activity sequence prediction in smart homes using mul ti‐layer long short‐term memory  networks. IFAC‐PapersOnLine, 54(20), 901‐906.  [00411]     Goutham, M. (2020). Machine learning based user activ ity prediction for  smart homes. Master's thesis, The Ohio State Universi ty.  [00412]     Graves, A. (2013). Generating sequences with recurrent  neural networks.  arXiv preprint arXiv:1308.0850.  MCC Ref. No.:  103361‐369WO1  [00413]     Khuntia, S., Hanif, A., Singh, S.P., and Ahmed, Q.  (2022). Control oriented  model of cabin‐hvac system in a longhaul class 8  trucks for energy management applications.  Technical report, SAE Technical Paper.  [00414]     Marufuzzaman, M., Reaz, M., Ali, M.A.M., and Rahman,� �L. (2015). A time  series based sequence prediction algorithm to detect  activities of daily living in smart home.  Methods of information in medicine, 54(03), 262270.  [00415]     Minor, B., Doppa, J.R., and Cook, D.J. (2015). Data� ��driven activity prediction:  Algorithms, evaluation methodology, and applications. I n Proceedings of the 21th ACM SIGKDD  International Conference on Knowledge Discovery and Da ta Mining, 805‐814.  [00416]     Mitler, M.M., Miller, J.C., Lipsitz, J.J., Walsh, J.K ., and Wylie, C.D. (1997). The  sleep of long‐haul truck drivers. New England Journ al of Medicine, 337(11), 755‐762.  [00417]     Müller, M. (2007). Dynamic time warping. Information� �retrieval for music and  motion, 69‐84.  [00418]     Smith, D., Ozpineci, B., Graves, R.L., Jones, P., Lu stbader, J., Kelly, K.,  Walkowicz, K., Birky, A., Payne, G., Sigler, C., et� �al. (2020). Medium‐and heavy‐duty vehicle  electrification: An assessment of technology and knowl edge gaps. Technical report, Oak Ridge  National Lab.(ORNL), Oak Ridge, TN (United States).  [00419]     M. Margreta, C. Ford, R. Grube, et al., US freight� �on the move: highlights from  the 2012 Commodity Flow Survey Preliminary Data, Tech nical Report, United States.  Department of Transportation. Bureau of Transportation� �Statistics, 2014.  [00420]     S. C. Davis, R. G. Boundy, Transportation energy dat a book: Edition 39,  Technical Report, Oak Ridge National Lab.(ORNL), Oak  Ridge, TN (United States), 2021.  MCC Ref. No.:  103361‐369WO1  [00421]     O. Delgado, N. Lutsey, The us supertruck program, Wa shington DC (2014).  [00422]     URL: https://www.energy.gov/eere/vehicles/articles.  [00423]     Interstate truck driver's guide to hours of service  (fmcsa) (2022). URL:  https://www.fmcsa.dot.gov/regulations/hours‐service/.  [00424]     ANL, Idling reduction for long‐haul trucks: An econ omic comparison of on‐ board and wayside technologies (2012). URL: https://pu blications.  anl.gov/anlpubs/2016/10/130502.pdf.  [00425]     L. Gains, Economics of idling reduction options for  long‐haul trucks (2017).  URL: https://www. anl.gov/sites/wwW/files/2018‐02. C.� �J. Brodrick, N. P. Lutsey, Q. A. Keen, D.  I. Rubins, J. P. Wallace, H. A. Dwyer, S. W. Gouse , Truck idling trends: Results of a pilot survey in   northern california, in: SAE Technical Paper, SAE Int ernational, 2001. URL: https :  //doi.org/10.4271/2001‐01‐2828. doi:10.4271/2001‐01� �2828.  [00426]     F. Stodolsky, L. Gaines, A. Vyas, Analysis of techno logy options to reduce the  fuel consumption of idling trucks, Technical Report,  Argonne National Laboratory, 2000.  [00427]     C. Kshirsagar, System Level Modeling and Optimization� �of Fuel Cell Powered  Auxiliary Power Unit (APU) to be used in Commercial� �Vehicles, Technical Report, SAE Technical  Paper, 2015.  [00428]     B. Surampudi, J. Redfield, G. Ray, A. Montemayor, M.  Walls, H. McKee, T.  Edwards, M. Lasecki, Electrification and integration o f accessories on a class‐8 tractor, in: SAE  Technical Paper, SAE International, 2005. URL: https:� �//doi .org/10.4271/2005‐01‐0016.  doi:10.4271/2005‐01‐0016.  MCC Ref. No.:  103361‐369WO1  [00429]     B. Surampudi, M. Walls, J. Redfield, A. Montemayor,  C. Ingold, J. Abela, 42‐ volt electric air conditioning system commissioning an d control for a class‐8 tractor, in: SAE  Technical Paper, SAE International, 2004. URL: https  : //doi .org/10.4271/2004‐01‐1478.  doi:10.4271/2004‐01‐1478.  [00430]     J. Redfield, B. Surampudi, R. Gustavo, A. Montemayor,  H. McKee, T. Edwards,  M. Lasecki, Accessory electrification in class 8 trac tors, in: SAE Technical Paper, SAE  International, 2006. URL: https://doi .org/10.4271/2006� ��01‐0215. doi:10.4271/2006‐01‐0215.  [00431]     B. Surampudi, J. Redfield, A. Montemayor, G. Ray, G.  Ostrowski, H. McKee, T.  Edwards, A. S. Carstensen, J. C. Lawrence, Electric  air conditioning for class 8 tractors, in: SAE  Technical Paper, SAE International, 2006. URL: https:/ /doi.org/10.4271/2006‐01‐0165.  doi:10.4271/2006‐01‐0165.  [00432]     J. Campbell, W. Watts, D. Kittelson, Reduction of ac cessory overdrive and  parasitic loading on a parallel electric hybrid city� �bus, in: SAE Technical Paper, SAE International,  2012. URL: https : //doi .org/10.4271/2012‐01‐1005.  doi:10.4271/2012‐01‐1005.  [00433]     S. P. Singh, A. Hanif, Q. Ahmed, M. Meijer, J. Lah ti, Applied Energy 326  ^2022^119982. S. Khuntia, A. Hanif, S. P. Singh, Q.� �Ahmed, Control Oriented Model of Cabin‐ HVAC System in a Long‐Haul Class 8 Trucks for Ene rgy Management Applications, Technical  Report, SAE Technical Paper, 2022a.  [00434]     S. Khuntia, A. Hanif, Q. Ahmed, J. Lahti, M. Meijer , Cabin load prediction using  time series forecasting in long‐haul trucks for opt imal energy management, IFAC‐PapersOnLine  55 (2022b) 342‐347.  MCC Ref. No.:  103361‐369WO1  [00435]     S. Khuntia, A. Hanif, S. P. Singh, Q. Ahmed, Contro l Oriented Model of Cabin‐ HVAC System in a Long‐Haul Trucks for Energy Manag ement Applications, Technical Report, SAE  Technical Paper, 2022c.  [00436]     C. Okaeme, J. Lustbader, C. Sigler, I. Jorgensen, B.  Grover, J. Kiesser, M.  Moniot, Cabin thermal management analysis for supertru ck ii nextgeneration hybrid electric  truck design, SAE International Journal of Commercial� �Vehicles 14^2021^.  [00437]     M. Altwieb, K. J. Kubiak, A. M. Aliyu, R. Mishra,  A new three‐dimensional cfd  model for efficiency optimisation of fluid‐to‐air  multi‐fin heat exchanger, Thermal Science and  Engineering Progress 19 (2020) 100658.  [00438]     Y. Fukuchi, K. Yoshitake, K. Yokota, Development of  simplified condenser  model considering the effect of phase change, in: Pr oceedings of 12thFKFS Conference‐ Progress in Vehicle Aerodynamics and Thermal managemen t, 2019.  [00439]     Y. Ge, R. Cropper, Performance evaluations of air‐c ooled condensers using  pure and mixture refrigerants by four‐section lumped  modelling methods, Applied thermal  engineering 25 (2005) 1549‐1564.  [00440]     M. Steinstraeter, J. Buberger, K. Minnerup, D. Trifon ov, P. Horner, B. Weiss,  M. Lienkamp, Controlling cabin heating to improve ran ge and battery lifetime of electric  vehicles, ETransportation 13 (2022) 100181.  [00441]     F. Widmer, A. Ritter, P. Duhr, C. H. Onder, Battery  lifetime extension through  optimal design and control of traction and heating s ystems in hybrid drivetrains,  ETransportation 14 (2022) 100196.  MCC Ref. No.:  103361‐369WO1  [00442]     X.‐D. He, Dynamic modeling and multivariable control  of vapor compression  cycles in air conditioning systems (2005). Q. Zhang,� �S. Stockar, M. Canova, Energy‐optimal  control of an automotive air conditioning system for� �ancillary load reduction, IEEE Transactions  on Control Systems Technology 24 (2015) 67‐80.  [00443]     J. A. Lustbader, J. P. Rugh, B. R. Rister, T. S.  Venson, CoolCalc: a long‐haul truck  thermal load estimation tool, Technical Report, Nation al Renewable Energy Lab.(NREL), Golden,  CO (United States), 2011.  [00444]     C. C. Richter, Proposal of new object‐oriented equa tion‐based model libraries  for thermodynamic systems, Ph.D. thesis, Braunschweig,� �Techn. Univ., Diss., 2008, 2008.  [00445]     H. Tummescheit, J. Eborn, K. Pr, Airconditioning ‐� �a modelica library for  dynamic simulation of ac systems, 2005.  [00446]     H. Tummescheit, Design and implementation of object‐ oriented model  libraries using modelica, Ph.D. thesis, Lund Universit y, 2002.  [00447]     M. Browne, P. Bansal, An insight into the applicatio n of the ntu‐? approach for  modelling vapour‐compression liquid chillers (1998).  [00448]     M. O. McLinden, Nist thermodynamic and transport prop erties of refrigerants  and refrigerant mixtures‐refprop, NIST Standard Refer ence Database 23^1998^  [00449]     T. Wang, A. Jagarwal, J. R. Wagner, G. Fadel, Optim ization of an automotive  radiator fan array operation to reduce power consumpt ion, IEEE/ASME Transactions on  Mechatronics 20 (2014) 2359‐2369.  MCC Ref. No.:  103361‐369WO1  [00450]     Kenworth, Peterbilt, Kenworth: Peterbilt radiator: 2008 ‐2011 t680, t880,  t2000: 2008‐2011nbsp;365, 367, 387: 2011‐2012nbsp;58 7, American Radiator Pros (2012). URL:  https://radiatorpros.com.  [00451]     T. Wang, A. Jagarwal, J. R. Wagner, G. Fadel, Optim ization of an automotive  radiator fan array operation to reduce power consumpt ion, IEEE/ASME Transactions on  Mechatronics 20 (2014) 2359‐2369.  [00452]     X.‐D. He, Dynamic modeling and multivariable control  of vapor compression  cycles in air conditioning systems, Ph.D. thesis, Mas sachusetts Institute of Technology, 1996. S.  P. Singh, Optimal Hotel load management in 48V Class ‐8 Mild Hybrid Trucks, Master's thesis,  The Ohio State University, 2021.  [00453]     I. H. Bell, J. Wronski, S. Quoilin, V. Lemort, Pure  and pseudo‐pure fluid  thermophysical property evaluation and the open‐sourc e thermophysical property library  coolprop, Industrial & engineering chemistry resear ch 53 (2014) 2498‐2508.  [00454]     Q. Zhang, M. Canova, Lumped‐parameter modeling of a n automotive air  conditioning system for energy optimization and manage ment, in: Dynamic Systems and  Control Conference, volume 56123, American Society of� �Mechanical Engineers, 2013, p.  V001T04A003.  [00455]     A. V. Dandekar, C. S. Brooks, Modeling of void frac tion covariance in twophase  flows with phase change, International Journal of Hea t and Mass Transfer 100 (2016) 231‐242.  [00456]     P. A. Gagniuc, Markov chains: from theory to impleme ntation and  experimentation, John Wiley & Sons, 2017.