Mean Field Game-Based Algorithms for Charging in Solar-Powered Parking Lots and Discharging into Homes a Large Population of Heterogeneous Electric Vehicles
Notice bibliographique
Résumé
An optimal daily scheme is presented to coordinate a large population of heterogeneous battery electric vehicles when charging in daytime work solar-powered parking lots and discharging into homes during evening peak-demand hours. First, we develop a grid-to-vehicle strategy to share the solar energy available in a parking lot between vehicles where the statistics of their arrival states of charge are dictated by an aggregator. Then, we develop a vehicle-to-grid strategy so that vehicle owners with a satisfactory level of energy in their batteries could help to decongest the grid when they return by providing backup power to their homes at an aggregate level per vehicle based on a duration proposed by an aggregator. Both strategies, with concepts from Mean Field Games, would be implemented to reduce the standard deviation in the states of charge of batteries at the end of charging/discharging vehicles while maintaining some fairness and decentralization criteria. Realistic numerical results, based on deterministic data while considering the physical constraints of vehicle batteries, show, first, in the case of charging in a parking lot, a strong to slight decrease in the standard deviation in the states of charge at the end, respectively, for the sunniest day, an average day, and the cloudiest day; then, in the case of discharging into the grid, over three days, we observe at the end the same strong decrease in the standard deviation in the states of charge.
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 | 0,000 |
| 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 ».