Smart charging of PEVs penetrating into residential distribution systems
Notice bibliographique
Résumé
This paper presents a novel modeling framework for the analysis of Plug-in Electric Vehicle (PEV) charging in unbalanced, residential, distribution systems. A Smart Distribution Power Flow (SDPF) framework is proposed to determine the controlled or smart charging schedules and hence address the shortcomings of uncontrolled charging. The effect of peak-demand constraint imposed by the Local Distribution Company (LDC) is also studied within the SDPF framework for the smart charging scenarios. Uncontrolled versus smart charging schemes are compared for various scenarios, from both the customer's and the LDC's perspective. Various objective functions, such as energy drawn by the LDC, total feeder losses, total cost of energy drawn by LDC and total cost of PEV charging are considered. Studies are carried out considering two sample systems i.e., the IEEE 13-node test feeder and a real distribution feeder. Analyses are also presented considering a probabilistic representation of the initial state of charge (SOC) and start time of charging for various scenarios to take into account the difference in customers' driving patterns. The results show that uncontrolled charging of PEVs results in increased peak demand, low node voltage levels, and increased feeder current magnitudes. On the other hand, the SDPF framework provides very satisfactory operating schedules for the overall system including smart PEV charging.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».