Resilience-Oriented Scheduling of Shared Autonomous Electric Vehicles: A Cooperation Framework for Electrical Distribution Networks and Transportation Sector
Notice bibliographique
Résumé
As autonomous electric vehicles and car-sharing services are becoming more popular, the contribution of shared autonomous electric vehicles (SAEVs) to the future of urban transportation is getting more achievable. Like conventional electric vehicles, SAEVs can provide power grids with ancillary services. This article proposes a new scheduling scheme for SAEV fleets within a cooperative plan to let power distribution networks benefit from the energy storage of vehicle batteries in recovering critical loads after a predictable extreme event. According to a long-term contract, the detailed request of the distribution system operator (DSO), together with desired constraints and perquisites, is sent to the SAEVs aggregator (SA) prior to the landfall of a predictable extreme event. Afterward, SA runs a targeted algorithm to schedule trip assignments and charging cycles of SAEVs so that the required constraints of DSO are satisfied. The SAEV participants will continue carrying passengers within the scheduled time horizon in addition to delivering energy to the distribution network at the scheduling deadline declared by DSO. This deadline is the time instant when the capacity of the SAEV fleet may be no more applicable to enhance the system preparedness against the approaching event. Numerical results illustrated that the proposed scheme helps improve the power grid resilience by delivering 2396.1 kWh of energy to the distribution network in addition to increasing the total income of each participant SAEV by about 130%. Thus, it is implied that the proposed method offers a win-win situation for both entities.
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 ».