Real-Time Control of Plug-in Electric Vehicles for Congestion Management of Radial LV Networks: A Comparison of Implementations
Notice bibliographique
Résumé
The global proliferation of plug-in electric vehicles (PEVs) poses a major challenge for current and future distribution systems. If uncoordinated, their charging process may cause congestion on both network transformers and feeders, resulting in overheating, deterioration, protection triggering and eventual risk of failure, seriously compromising the stability and reliability of the grid. To mitigate such impacts and increase their hosting capacity in radial distribution systems, the present study compares the levels of effectiveness and performances of three alternative centralized thermal management formulations for a real-time agent-based charge control algorithm that aims to minimize the total impact upon car owners. A linear formulation and a convex formulation of the optimization problem are presented and solved respectively by means of integer linear programming and a genetic algorithm. The obtained results are then compared, in terms of their total impact on the end-users and overall performance, with those of the current heuristic implementation of the algorithm. All implementations were tested using a simulation environment considering multiple vehicle penetration and base load levels, and equipment modeled after commercially available charging stations and vehicles. Results show how faster resolution times are achieved by the heuristic implementation, but no significant differences between formulations exist in terms of network management and end-user impact. Every vehicle reached its maximum charge level while all thermal impacts were mitigated for all considered scenarios. The most demanding scenario showcased over a 30% reduction in the peak load for all thermal variants.
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 ».