MétaCan
Menu
Retour à la cohorte
Enregistrement W2051085920 · doi:10.1109/tsg.2014.2373401

Challenges in Future Competition of Electric Vehicle Charging Management and Solutions

2014· article· en· W2051085920 sur OpenAlexaff
Ning Xu, C. Y. Chung

Notice bibliographique

RevueIEEE Transactions on Smart Grid · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric Vehicles and Infrastructure
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésInefficiencyCompetition (biology)ScheduleNash equilibriumGame theoryCheatingLoad managementElectric vehicleOperations researchComputer sciencePower (physics)MicroeconomicsEngineeringEconomicsElectrical engineering

Résumé

récupéré en direct d'OpenAlex

In the foreseeable future, power grids will be managed largely with demand-side management (DSM) programs. With the growing population of electric vehicles (EVs) and the emergence of aggregators, DSM will surely introduce more intense competition to the markets. Since EV charging produces a large amount of time-flexible load in power systems, competition of its management could become a major game. This paper first formulates the game of EV charging management to describe this major form of the future DSM competition and then studies three challenges inherent in it: 1) inefficiency of Nash equilibria; 2) the game of chicken; and 3) cheating on private information. It is found that a central regulator is required to prevent these drawbacks. Solutions are proposed and a central governing procedure is also presented. The notion of the game of EV charging management is compatible with DSM programs that are able to schedule load flexibly over multiple time periods.

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 enseignants0,814
Score d'incertitude au seuil0,461

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 Opus0,011
Tête enseignante GPT0,191
Écart entre enseignants0,179 · 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

Citations36
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Smart GridMême sujetElectric Vehicles and InfrastructureTravaux en français237 207