A Stochastic Approach to Designing Plug-In Electric Vehicle Charging Controller for Residential Applications
Notice bibliographique
Résumé
The increase of Plug-in Electric Vehicles (PEVs) penetration in distribution systems necessitates processing strategic assets in order to deal with their energy needs. A careful investigation into matters related to PEV charging management under actual circumstances can be regarded as the critical step towards enabling this process. Accordingly, this paper intends to design a practical controller capable of performing charging scheduling under uncertainties related to the lack of access to crucial PEV information accounting for departure time, energy requirement, and power demand nonlinearity. Although such an issue can be encountered when developing charging models for real-world conditions, it has not been adequately taken into consideration. The proposed controller carries out charging scheduling through a procedure with a set of effective straightforward algorithms, essential for actual applications. Particularly, it takes advantage of a Bayesian forecasting model that is able to efficiently predict charging energy demand according to car owner’s behavior. In addition, it employs a stochastic optimization framework to schedule PEV charging based on the dynamic electricity price and user preference. Several case studies are conducted to examine the performance of suggested controller in optimal scheduling by exploiting real data. The evaluation process is executed through a comparative analysis by using a deterministic method, as the ideal case, which exploits a full-information space. The results show that the proposed procedure can offer competitive charging schedules, which can minimize the cost while satisfying user desires. The designed controller can successfully manage PEV charging in the presence of stochastic phenomena with limited information access, and thus, enable physical implementations.
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 | 0,000 | 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 ».