Fairness and Utilitarianism in Allocating Energy to EVs During Power Contingencies Using Modified Division Rules
Notice bibliographique
Résumé
In order to maximize utilitarianism and fairness in allocating energy to electric vehicles (EVs) during outages, this study proposes an optimization method based on modified division rules. The idea of <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">essential energy demand</i> is introduced in this paper to maximize the number of EVs that are served during power contingencies. For EVs carrying out the time-critical task(s), the <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">essential energy demand</i> is defined as the amount of energy required by EVs to accomplish their upcoming task(s). For EVs carrying out delay-tolerant tasks, it is defined as the amount of energy required by EVs to travel to a nearby healthy charging station. To this end, an EV ranking mechanism is devised considering the full and essential energy demands along with the urgency of EVs. Subsequently, EVs with higher ranks are prioritized during energy allocation. The performance of the proposed method is compared with four existing division rules, i.e., proportional, constrained equal awards, constrained equal losses, and sequential priority rules. A utilitarianism index is proposed to analyze the performance of these methods and fairness is evaluated using existing indices, such as Jain's fairness index and cost of fairness index. The proposed method has outperformed existing division rules in both utilitarianism and fairness for the essential energy demand. Finally, a sensitivity analysis of uncertain parameters such as EV fleet size, available/required energy, and weight factors is carried out to analyze the performance of the proposed method under various conditions.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».