On-Line Event-Driven Scheduling for Electric Vehicle Charging via Park-and-Charge
Notice bibliographique
Résumé
Large-scale charging stations become indispensable infrastructure to support the rapid proliferation of electric vehicles. Their operation modes have drawn great attention from both academia and industry. One promising mode called park-and-charge has been recently introduced. This new mode allows customers to park their electric vehicles at a parking lot, where the vehicles are charged during the parking time. Several small-scale experiments, such as the V-Charge project and General Motors' E-Motor plant, have demonstrated its potential. A key enabler for deploying this mode to large-scale stations is effective and efficient charging load scheduling methods. Most existing works confine to the time-driven scheduling policy due to their sole focus on the charging service. Applying their solutions to the park-and-charge mode would jeopardize the unitization of charging resource or cause frequent charging mode switching. This inapplicability motivates us to explore the feasibility and benefits of exploiting the event-driven scheduling policy in park-and-charge systems. Further, to better characterize charging load in this mode, we propose to adopt a metered model, by which a system gains value in proportion to the served charging demand. To be specific, the objective of this paper is to carry out both theoretical and experimental analysis for event-driven algorithms adapted to this metered model. We leverage both the competitive analysis and resource augmentation to demonstrate the non-constant and constant performance bounds for the earliest-deadline-first and highest-value-first algorithms respectively. Moreover, we provide a stronger theoretical result, i.e., the performance bound for the whole class of work-conserving scheduling algorithms. Through extensive simulations, we validate the proposed theoretical results and further provide interesting findings from the in-depth analysis of the simulation results.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».