EVSE Effectiveness in Multi-Unit Residential Buildings Using Composite Optimization and Heuristic Search
Notice bibliographique
Résumé
The effectiveness of electric vehicle supply equipment (EVSE) is a very important factor in multi-unit residential buildings (MRBs) when planning to invest in an electric vehicle (EV). However, the expected benefits depend on not only technology but also need many non-functional requirements such as building facilities, electrical infrastructure, operating costs, and energy demand management of EVSE. We discuss the functional and non-functional constraints in utilizing EVSEs in MRBs and addresses them by constructing a composite optimization problem with a heuristic boundary selection. The proposed model urges the use of electrical safety codes –to mitigate the hazard risk– and promotes deploying a flexible and scalable energy management system (EMS) to schedule, reserve, and tune the charging sessions. This article provides an effective EMS for mitigating the energy demand growth caused by EV charging on MRBs, by finding the equilibrium number of EVSEs and their energy usage through a heuristic search. The proposed EMS is reinforced by embedding machine learning tools such as k-means, silhouette scoring, heuristic search, and autoregressive model to adjust the optimal operational state of EVSEs. We delineated the proposed framework and the outcomes using two case studies with real data. The results showed that more EVSEs can be utilized in MRBs and 100% EVs can be fully charged with a lower capital cost and no additional energy demand 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 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 ».