Quality of service in Plug-in Electric Vehicle charging infrastructure
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Electrification of transportation is offering reduced vehicle emissions and operating costs in addition to increased energy-independence. Electric cars are anticipated to be adopted as passenger vehicles and in commercial fleets in the near future. Plug-in Hybrid Electric Vehicles (PHEVs) can drive on battery up to few hundred miles with the current battery technologies. Depleting PHEV batteries are charged from the power grid either with a Level 1 or Level 2 charger where the latter delivers more power than the former. Despite the advantages of PHEVs, charging several PHEVs simultaneously from the same distribution system may cause local outages due to transformer overloading. Thus, PHEV charging infrastructure calls for admission control schemes that operate on the smart grid. It is also essential to provide service differentiation to increase consumer satisfaction. In this paper, we propose a Quality of Service (QoS)-aware admission control scheme for the PHEV charging infrastructure. Our scheme operates on the Energy Management System (EMS) of the smart grid distribution system. The proposed approach relies on a wireless communication network that delivers the demands of PHEVs to the EMS and delivers the admission decisions of EMS to PHEVs. In our admission control scheme, PHEV owners who are willing to pay more can charge faster than the “best-effort” users similar to the Internet traffic service differentiation mechanisms. We provide mathematical analysis and simulation results for the proposed scheme. We show that high priority PHEVs are supplied with higher power rating, hence they are able to charge faster than low priority PHEVs.
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.
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 | 0,001 |
| 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 découle