Optimal Design of V2G Incentives and V2G-Capable Electric Vehicles Parking Lots Considering Cost-Benefit Financial Analysis and User Participation
Notice bibliographique
Résumé
The deployment of electric vehicles parking lots (EVPLs) has been suggested as a solution that could serve the charging needs of electric vehicles (EVs) parked in public spaces. Due to their nature, EVPLs offer some advantages that public charging stations cannot offer. The availability of numerous EV batteries over a long period in the EVPL means that the storage capacity of EVs in EVPLs could be utilized in vehicle-to-grid (V2G) schemes through the installation of bi-directional chargers (BD) that allow injection of power back into the grid. However, it is imperative to determine the optimal number of BD in an EVPL given their high costs and the lack of clear evidence that many EV users will participate in the provision of V2G programs. Therefore, this article aims to develop a model for the optimal design of a V2G-capable EVPL via which the financial model of V2G services and V2G incentive-participation scheme for EV users are incorporated in the decision of installing different types of chargers. The model integrates a multi-mode objective that allows for the maximization of EVPL owner profit and/or EVPL social responsibility using control parameters incorporated in the model. The model also decouples the intertwined economic dynamics of EV charging and V2G services in the EVPL via revenue models targeting each service separately. This allows optimal pricing of services with respect to the invested capital. Actual survey data and historical operating information are used to verify the validity and feasibility of the model. The results show that the proposed model effectively meets design targets and charging/discharging requirements. By providing V2G services, including DR services to the grid, the profit margin of EVPL owners can increase by up to 12.16%.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 source (Gemma direct ou Codex distillé), 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 ».