Charging Strategies for Electric Vehicles Using a Machine Learning Load Forecasting Approach for Residential Buildings in Canada
Notice bibliographique
Résumé
The global electric vehicle (EV) market is experiencing exponential growth, driven by technological advancements, environmental awareness, and government incentives. As EV adoption accelerates, it introduces opportunities and challenges for power systems worldwide due to the large battery capacity, uncertain charging behaviors of EV users, and seasonal variations. This could result in significant peak–valley differences in load in featured time slots, particularly during winter periods when EVs’ heating systems use increases. This paper proposes three future charging strategies, namely the Overnight, Workplace/Other Charging Sites, and Overnight Workplace/Other Charging Sites, to reduce overall charging in peak periods. The charging strategies are based on predicted load utilizing a hybrid machine learning (ML) approach to reduce overall charging in peak periods. The hybrid ML method combines similar day selection, complete ensemble empirical mode decomposition with adaptive noise, and deep neural networks. The dataset utilized in this study was gathered from 1000 EVs across nine provinces in Canada between 2017 and 2019, encompassing charging loads for thirty-five vehicle models, and charging locations and levels. The analysis revealed that the aggregated charging power of EV fleets aligns and overlaps with the peak periods of residential buildings energy consumption. The proposed Overnight Workplace/Other Charging Sites strategy can significantly reduce the Peak-to-Average Ratio (PAR) and energy cost during the day by leveraging predictions made three days in advance. It showed that the PAR values were approximately half those on the predicted load profile (50% and 51%), while charging costs were reduced by 54% and 56% in spring and winter, respectively. The proposed strategies can be implemented using incentive programs to motivate EV owners to charge in the workplace and at home during off-peak times.
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 ».