A Novel Algorithm for Controlling Active and Reactive Power Flows of Electric Vehicles in Buildings and Its Impact on the Distribution Network
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
In the literature, many optimization algorithms were developed to control electrical loads, especially Electric Vehicles (EVs) in buildings. Despite the success of the existing algorithms in improving the power profile of charging EVs and reducing the total electricity bill of the end-users, these algorithms didn’t show significant contribution in improving the voltage profile on the network, especially with the existence of highly inductive loads. The control of the active power may not be sufficient to regulate the voltage, even if sophisticated optimization algorithms and control strategies are used. To fill the gap in the literature, we propose a new algorithm that is able to control both the active and reactive power flows using electric vehicles in buildings and homes. The algorithm is composed of two parts; the first part uses optimization to control the active power and minimize the electricity bill, while the second part controls the reactive power using the bidirectional converter in the EV in a way that the voltage profile on the distribution transformer respects its limits. The new approach is validated through a comparative study of four different scenarios, (i) without EV, (ii) with EV using uncoordinated charging, (iii) with EV using coordinated charging, (iv) with EV using our proposed algorithm. Results show that our algorithm has maintained the voltage within the recommended limits, and it has minimized the peak load, the electricity cost, and the techno-economic losses on the network.
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