Evaluation of Multi-Objective Optimization Techniques for Resilience Enhancement of Electric Vehicles
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 pervasiveness of electric vehicles (EVs) has increased recently, which results in the interdependence of power and transport networks. Power outages may adversely impact the transportation sector, and the available energy may not be sufficient to meet the needs of all EVs during such events. In addition, EVs will be used for diverse purposes in the future, ranging from personal usage to emergency response. Therefore, the allocation of energy to different EVs may have different degrees of societal-, community-, and individual-level benefits. To capture these diverse aspects, the energy allocation problem to EVs during outages is modeled as a multiobjective optimization (MOO) problem in this study. Three indices are formulated to quantify the value of different EVs for societies, communities, and individuals during outages, and, correspondingly, three objective functions are formulated. The formulated MOO problem is solved using the five most widely used MOO solution methods, and their performance is evaluated. These methods include the weighted-sum method, lexicographic method, normal boundary intersection method, min–max method, and nondominated sorting genetic algorithm II. To compare the performance of these methods, two indices are proposed in this study, which include the demand fulfillment index and total demand fulfillment index. The former is for analyzing the demand fulfillment ratio of different priority EVs, while the latter is for the demand fulfillment analysis of the whole EV fleet requiring a recharge. In addition, the computational complexity, variance, and additional constraints required by each method are also analyzed. The simulation results have shown that the lexicographic method has the best performance when the relative priorities are known, while the min–max method is the most suitable method if the priorities are not known.
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 | 0,000 | 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 découle