Cost-aware Data Aggregation and Energy Decentralization with Electrical Vehicles in Microgrids through LTE Links
Notice bibliographique
Résumé
Microgrids are the building blocks of resilient and sustainable smart cities. In remote areas, well-designed and managed microgrids can operate as standalone mode. Since renewable energy causes more intermittency to the electricity grid, interruptions to the electricity supply due to uncertain weather condition or supply shortage to charge Electrical Vehicles (EVs) in microgrids reveals extra cost especially during the peak hours. EVs can be utilized to stand this temporary circumstances with the help of decentralized services by supplying the excess electricity which is stored in the EV batteries to other microgrids. Dynamic electricity prices which are determined by smart grids are necessary to manage and control this process. The reliability of the communication link between eNodeB’s and EVs plays an important role to ensure successful delivery of the transmitted data during data aggregation process in microgrids. In this paper, the interaction between smart microgrids (i.e. buyer) and electrical vehicles (i.e. seller) for short-term power supply, and formulate a Mixed Integer Linear Programming (MILP) to obtain the best set of EVs in order to obtain cost-aware solution. In addition, considering the EV-microgrid integration over LTE links, we demonstrate the impact of the physical downlink shared channel (PDSCH) throughput performance on the following outputs of the model: total cost, the outstanding energy and the electrical vehicle’s revenue. We simulate the throughput performance in a multiuser multiple-input multiple-output (MU-MIMO) scenario.
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 ».