Smart EV Charging Strategies Based on Charging Behavior
Notice bibliographique
Résumé
Coming years, the number of electric vehicles (EVs) shall increase significantly, so the demand for electricity for charging EVs will proportionately increase as well. Thus, the growing energy requirements for charging these EVs might put huge burden on the electricity generation and supply infrastructure. Such a huge load growth opportunity for utilities if integrated successfully, or if not, a significant challenge to operate and balance grid loads in the future. Customarily, the increase in adoption of EVs in recent years has yielded challenges to the utilities as the electricity demand of EVs occurs mostly during peak hours. In some cases, a sojourn time may be longer than a charging time, that means, EVs will be connected to the charging station without charging. However, the load shifting potential of EVs may be consequential and might subsequently be used to alleviate challenges to the electric grid system. Considering charging behaviors for EV scheduling is crucial, as they depend on uncertainties of EV availabilities (i.e., sojourn time and energy required). Such uncertainties would impact substantially on the deployment of feasible EV charging scheduling. To address above-mentioned issues, firstly, we define an idle time ratio, which is basically load shifting potential. Consequently, we develop a heuristic EV charging scheduling scheme with an emphasis on inevitable charging behaviors of the EV users. Such a scheduling incorporates priority determination using the idle time ratio and TOU period as well as priority-based time slot allocation. Moreover, accurate prioritization of EVs is realized by predicting the energy demand and idle time ratio. Minimization of charging cost is perhaps the most perceptive objective, such that, the EV charging scheduling is done when TOU tariff is low. Performance evaluation shows that the proposed flexible smart charging scheduling outperforms the baseline scheduling in terms of the charging power and charging cost.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».