Software Defined Networking Assisted Electric Vehicle Charging: Towards Smart Charge Scheduling and Management
Notice bibliographique
Résumé
Recent advancements in plug-in Electric Vehicles (EV) have opened up Intelligent Transportation Systems (ITS) services to a greater extent. However, charging rechargeable batteries for EV remains a major concern among researchers. Moreover, EV charge management systems require optimal and personalized charging schedules that opt for a centralized controller. This article proposes a Software-Defined Network (SDN)-assisted EV Charge (SEVC) scheduling and management strategy for effective charge scheduling and providing personalized charging services. The SEVC framework has SDN as a centralized controller that receives the charging requests from Vehicular Edge Computing (VEC) servers. The proposed Federated Support Vector Machine (FS) algorithm in SEVC trains the local model available in VEC nodes and updates the SDN global model. The FS algorithm estimates EV charging demand and schedules EV to charge from optimal Recharging Terminals (RT). Moreover, based on the historical charging requirements of EV, the SEVC framework predicts future charging demands of EV, which helps in scheduling and managing EV charging. Since model parameters alone are transmitted to SDN via VEC nodes, the overhead of the SEVC framework is reduced drastically. Our experimental analysis shows that the proposed SEVC framework is 17.32% more efficient than existing algorithms in terms of accuracy, latency in processing charging requests, waiting time of EV, and total running time of algorithms.
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 | 0,003 |
| 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 ».