Assisting Residential Distribution Grids in Overcoming Large-Scale EV Preconditioning Load
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
The repercussion of increased electric vehicle (EV) charging demand is notable at the distribution grid especially during the cold morning, while users tend to precondition their vehicles before leaving their premises. Moreover, due to the price declination, a tendency of installing level 2 chargers in residential premises is anticipated, which should stimulate the appearance of a new peak to the residential load profile. Hence, multiple scenarios of preconditioning are simulated, and the corresponding network’s quality metrics (e.g., voltage level and power losses) are assessed to analyze the impact. And a remarkable consequence is observed. As a consequence, to mitigate the consequences and manage the new peak load, the optimal reconfiguration of network is implemented, and unfortunately, with a larger number of EVs, this technique fails to attain the minimum voltage level. Therefore, leveraging this high number of EVs, instead of relying on the network reconfiguration, power is assumed to be injected from idle EVs through vehicle-to-grid (V2G) energy transmission. An integer linear program is formed to schedule a set of EVs in participating in V2G, and the outcome indicates that V2G alone could not compensate for the disturbance in the network. Accordingly, a hybrid method of V2G and reconfiguration is proposed and evaluated to assist the network in handling the new peak load, and this hybrid solution reduces power losses in the network by 50% on average and maintains the voltage level above the operational threshold of 0.95 p.u.
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 | 0,001 | 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 | 0,001 |
| 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