Poster abstract: Understanding controlled EV charging impacts using scenario-based forecasting models
Notice bibliographique
Résumé
Smart or controlled charging is widely seen as a potential solution to alleviate stress caused by mass uptake of electric vehicles on existing networks. While analyses with completely uncontrolled charging result in unrealistically amplified estimates of EV load, assuming a completely coordinated controlled charging also oversimplifies the estimates of impact due to mass EV uptake. Learning from the recent EV trials in the UK and elsewhere we take into account two key aspects which are largely ignored in current research: EVs actually charging at any given time and wide range of EV types, especially battery capacity-wise. Taking a minimalistic scenario-based approach, we study forecasting models for mean number of active chargers and mean EV consumption for distinct scenarios. Focusing on residential charging the models we consider range from simple regression models to more advanced machine and deep learning models such as XGBoost and LSTMs. We then use these models to evaluate the impacts of different levels of future EV penetration on a specimen distribution transformer that captures typical real-world scenarios. In doing so, we also initiate the study of different types of controlled charging when fully controlled charging is not possible. This aligns with the outcomes from recent trials which show that a sizeable proportion of EV owners may not prefer fully controlled centralized charging. We study two possible control regimes and show that one is more beneficial from load-on-transformer point of view, while the other may be preferred for other objectives. We show that a minimum of 60% control is required to ensure that transformers are not overloaded during peak hours.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».