The Role of Charging Infrastructure in Electric Vehicle Implementation within Smart Grids
Notice bibliographique
Résumé
In the integration of electric vehicle (EV) fleets into the smart grid context, charging infrastructure serves as the interlinkage between EV fleets and the power grid and, as such, affects the impacts of EV operation on the smart grid. In this study, the impacts of charging infrastructure on the effectiveness of different EV operational modes were simulated using a multi-component modelling approach, which accounts for both stochastic EV fleet charging behaviors as well as optimal energy vector dispatch operation. Moreover, a campus microgrid case study was presented to demonstrate the various design factors and impacts of charging infrastructure implementation affecting EV fleet adoption and operation. Based on results from the study, it was shown that charging infrastructure should be adopted in excess of the minimum required to satisfy EV charging for driving needs. In addressing uncontrolled charging behaviors, additional charging infrastructure improves EV owner convenience and reduces queuing duration. Meanwhile, controlled charging strategies benefit from increased resilience against uncertain charging behavior and operate more optimally in systems subject to time-of-use (TOU) electricity pricing. Lastly, it was demonstrated that successful vehicle-to-grid (V2G) implementation requires charging infrastructure to emulate the availability and fast response characteristics of stationary energy storage systems, which translates to excess charging port availability, long EV plug-in durations, and bi-directional power flow capabilities well beyond the level 2 charging standard.
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 ».