Centralized and Distributed Optimization for Vehicle-to-Grid Applications in Frequency Regulation
Notice bibliographique
Résumé
This paper proposes centralized and distributed optimization models for V2G applications to provide frequency regulation in power systems and the electricity market. Battery degradation and dynamic EV usages such as EV driving period, driving distance, and multiple charging/discharging locations are modeled. The centralized V2G problem is formulated into the linear programming (LP) model by introducing two sets of slack variables. However, the centralized model encounters limitations such as privacy concerns, high complexity, and central failure issues. To overcome these limitations, the distributed optimal V2G model is developed by decomposing the centralized model into subproblems using the augmented Lagrangian relaxation (ALR) method. The alternating direction method of multipliers (ADMM) is used to solve the distributed V2G model iteratively. The proposed models are evaluated using real data from the Independent Electricity System Operator (IESO) Ontario, Canada. Simulation results show that the proposed models can aggregate EVs for frequency regulation; meanwhile, the EV owners can obtain monetary rewards. The simulation also shows that including battery degradation and dynamic EV usage increases the model accuracy. By using the proposed approaches, the high cost and the low efficiency power generation units for frequency regulation can be compensated or partially replaced by EVs, which will reduce the generation cost and greenhouse gas emissions.
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 | 0,000 |
| 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 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 ».