Impact of Electric Vehicles Charging on Urban Residential Power Distribution Networks
Notice bibliographique
Résumé
Achieving transportation decarbonization and reducing carbon emissions are global initiatives that have attracted a lot of effort. The use of electric vehicles (EVs) has experienced a significant increase lately, which will have a considerable impact on current power systems. This study develops a framework to evaluate/mitigate the negative impact of increasing EV charging on urban power distribution systems. This framework includes data analytics of actual residential electrical load and EV charging profiles, and the development of optimal EV charging management and AC load flow models using an actual residential power distribution system in Saskatchewan, Canada. We use statistical methods to identify a statistically-extreme situation for a power system, which a power utility needs to prepare for. The philosophy is that if the power system can accommodate this situation, the power system will be stable 97.7% of the time. Simulation results show the house voltage and transformer loading at various EV penetration levels under this statistically-extreme situation. We also identify that the particular 22-house power distribution system can accommodate a maximum number of 11 EVs (representing 50% EV penetration) under this statistically-extreme situation. The results also show that the proposed optimal EV charging management model can reduce the peak demand by 43%. Since we use actual data for this study, it reflects the current real-world situation, which presents a useful reference for power utilities. The framework can also be used to evaluate/mitigate the impact of EV charging on power systems and optimize EV infrastructure development.
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 ».