Bayesian Network Governance of Electric Vehicle Charging Pile Disordered Charging Load Impacts on the Grid
Notice bibliographique
Résumé
In order to solve the adverse effects of uncontrolled charging of electric vehicles on the distribution network, the study constructs a Monte Carlo-based uncontrolled charging load model to calculate the effects of uncontrolled charging on the electric vehicle side on the distribution network load and voltage.Based on this, the electric vehicle trip chain is modeled by Bayesian network so as to manage the charging options of electric vehicles.The charging loads of EVs managed by the Bayesian network at different sizes and different charging locations are predicted to explore the impact of the Bayesian network on EV charging and distribution grid loads.The peak weekday grid base load occurs at 11:00 AM (3695 kW) and 20:00 PM (3656 kW).On weekdays, the grid base load occurs at 12:00 pm (3495 kW) and 20:00 pm (3725 kW), and the peak load increases significantly with the increase of penetration rate and the time is gradually advanced.The end node 18 has the lowest voltage and the lowest value of voltage at node 18 is 0.9135 and 0.9140 on weekdays and bi-weekdays respectively when only the base load is present.At 100% penetration, the minimum voltage is 0.9015 and 0.9008 on weekdays and bi-weekdays, respectively.When the penetration rate of electric vehicles is 20% and 30%, the average value of peak load of electric vehicle charging power increases to 150.05kW and 220.85kW.When the charging scheme of residential charging + office charging is used, the peak load of EV charging in residential areas is reduced by 60.3%.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».