Coordinated load management of building clusters and electric vehicles charging: An economic model predictive control investigation in demand response
Notice bibliographique
Résumé
This paper introduces a probabilistic load coordination approach to optimize the combined management of home-charged electric vehicles and space heating demand. Reduced-order resistance–capacitance models are applied for building thermal simulations, while support vector machine models predict baseline electric loads. Monte Carlo simulations are used to estimate arrival times and remaining charge of electric vehicles, assessing the advantages of Level 1 and Level 2 infrastructure for one-way and two-way residential charging stations. The Individual Stress Level, a novel metric for supervisor coordination within an economic model predictive control framework, is introduced. The methodology is tested on ten homes managed by an energy aggregator in Québec, Canada. Results show monodirectional electric vehicle charging not disrupting grid stability under static-price tariffs. However, time-of-use pricing structures increase average demand by 19–29% and peak capacity by 3–18%. Bidirectional scenarios indicate a 15.5% increase in maximum demand and a 17.5% rise in normal capacity. The combined building energy flexibility index indicates reductions of 74–140% for morning events and 54–98% for evening events. A sensitivity analysis highlights the role of demand charges in the Individual Stress Level activation, showing reduced price sensitivity for monodirectional setups compared to bidirectional configurations.
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 ».