MétaCan
Menu
Retour à la cohorte
Enregistrement W1496762464 · doi:10.1109/vtcspring.2015.7145677

An Adaptive Charging Algorithm for Electric Vehicles in Smart Grids

2015· article· en· W1496762464 sur OpenAlexaff
Abdoulmenim Bilh, Kshirasagar Naik, Ramadan El‐Shatshat

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric Vehicles and Infrastructure
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésRenewable energySmart gridComputer scienceGridElectrical loadLoad balancing (electrical power)Term (time)Scheduling (production processes)Load profileLoad shiftingReal-time computingAutomotive engineeringMathematical optimizationEngineeringElectricityElectrical engineeringVoltageMathematics

Résumé

récupéré en direct d'OpenAlex

Integration of renewable energy sources and Electric Vehicles (EVs) into smart grids comes with significant challenges. The uncertainty of the short-term forecasted energy from renewable sources increases the variability of the net-load in the grid. Also, EVs' charging could exacerbate the load peak in the grid if charging is not coordinated. In this work, firstly, we study the impact of the variability of renewable sources on the short-term forecast of the net-load in the electric grid, and a model of the net-load forecast error is developed. Secondly, a novel online charging algorithm for EVs is proposed not only to shift EVs' load from the system peak period to more desirable period, but also to decrease the variability of the net-load in the grid. Simulation results show that our algorithm outperforms the traditional scheduling algorithms which optimize the overall load in the system based on short-term load forecast.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,972
Score d'incertitude au seuil0,492

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,012
Tête enseignante GPT0,220
Écart entre enseignants0,208 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetElectric Vehicles and InfrastructureTravaux en français237 207