Vehicle-Directed Smart Charging Strategies to Mitigate the Effect of Long-Range EV Charging on Distribution Transformer Aging
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
The recent introduction of affordable long-range electric vehicles (EVs) has the potential to trigger more widespread adoption of EVs with higher charging needs. Increased EV charging can have a detrimental effect on the distribution grid, especially by causing accelerated aging of transformers. Although many EV smart-charging strategies have been proposed to mitigate this problem, centralized and distributed smart-charging strategies require numerous new infrastructure components and, thus, take time and money to implement. This article proposes the term vehicle-directed smart charging to describe strategies that individual EVs can use to charge in a more intelligent way and, thus, lessen grid impact. This article proposes a new vehicle-directed smart charging concept, random-in-window (RIW), which has fixed-rate and variable-rate variants. The RIW strategy allows for random charging start times within a specific time window after the residential peak load has reduced. The RIW strategies are compared to other strategies using the real-world logged driving data from 150 drivers for one week using long- and short-range EV models. A transformer aging model indicates that the RIW strategies are approximately as good as a fully controlled centralized smart-charging algorithm at EV penetration rates up to 60% for long-range EVs and 70% for short-range EVs.
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 | 0,001 |
| 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 découle