Fog-Computing-Based Energy Storage in Smart Grid: A Cut-Off Priority Queuing Model for Plug-In Electrified Vehicle Charging
Notice bibliographique
Résumé
Electric vehicles (EVs) are likely to become very popular within the next few years. With possibly millions of such vehicles operating across the smart cities, smart grid energy providers can be directly impacted by the charging of EV batteries. In order to reduce this impact and optimize energy saving, in this article, we propose a coordinated model for scheduling the plug-in of EVs for charging and discharging energy. The model is based on a new decentralized Fog architecture for smart grid in order to reduce the completion and communication delay of EV energy demand scheduling. To enhance the scheduling of EV demands and predict the future energy flows, we propose a plug-in system of EVs based on calendar planning. We develop a mathematical formalism based on Markov chains using a multipriority queuing theory with cut-off discipline in order to reduce the waiting time to plug-in. We implement three planning algorithms in order to assign priority levels and then optimize the plug-in time into each EV public supply station. To the best of our knowledge, this is the first article that proposes a model that tries to save energy by planning the plug-in of EVs using a cut-off priority queuing model and a decentralized Fog architecture. We evaluate the performances of our solution via extensive simulations using a realistic energy loads from the city of Toronto, and we compare it with other recent works.
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 | 0,001 | 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 | 0,001 |
| 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 ».