A New Framework for Plug-In Electric Vehicle Charging Models Supported by Solar Photovoltaic Energy Resources Un nouveau cadre pour les modèles de recharge du véhicule électrique rechargeable supporté par des ressources d’énergie solaire photovoltaïque
Notice bibliographique
Résumé
This article proposes a new framework for modeling plug-in electric vehicle (PEV) charging demand supported by solar photovoltaic (PV) energy resources in a distribution system. The proposed work focuses on modeling the stochastic nature of both PEV loads and PV generation while considering the effect of the temporal-spatial characteristics of the driver's behavior, as well as solar irradiation and temperature. A trip chain, based on the Markov Chain Monte Carlo process, is developed to properly model PEV daily driving activities and the PV uncertainty. Charging facilities are assumed available at home, work, and fast-charging stations, having charging levels of 3.7, 6.6, and 50 kW, respectively. The proposed framework is examined, considering the National Household Travel Survey global data, as well as the city of Buffalo and New York state. The impact of varying the penetration levels of PEV and PV resources is also investigated. This work strengthens the proposed models in the literature by integrating the temporal-spatial characteristics of PEV charging demand into PV stochastic models.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».