Using electric vehicles to enhance power outage resilience – An agent-based modeling approach
Notice bibliographique
Résumé
Power outages can cause severe disruption to critical infrastructure. With the predicted increase in the electrification of the transport sector, society will become even more vulnerable to the effects of power outages. While increased electric vehicle (EV) adoption will contribute to the electrification process, EVs can also offer capabilities to provide services during an outage. This paper studied the use of a fleet of EVs during the aftermath of a disaster to provide disaster relief by donating power to a shelter, delivering critical supplies and people in need, and providing transport for personnel or performing inspections. While the bulk of the past work has focused on using EVs to increase the resilience of the distribution grid, or individual buildings, to a power outage, this paper was novel in its use of an agent-based model to study EVs that are performing functions to increase the resilience of a community to an outage. The fleet of EVs were provided access to a microgrid with a solar array, one or two EV fast chargers, and three possible sizes of a storage. Useful outputs were produced and studied for such features as daily energy donated to a shelter, daily energy used at the microgrid, and the length of outages that can be supported before the energy is depleted at the microgrid. Results showed that increasing storage size at the microgrid led to substantial increases in the outage length that could be support. Additionally, it was found that focusing a fleet on delivery and transport tasks, as opposed to energy donation, could also increase the length of outages that could be supported.
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 ».