Sharing private charging piles to develop electric vehicle charging and vehicle-to-grid services
Notice bibliographique
Résumé
The increasing use of electric vehicles (EVs) has led to challenges in determining the most effective methods for charging their batteries. A potential solution to address this issue is the expansion of smart homes equipped with renewable energy sources, such as wind turbines and solar panels, to meet the growing demand for EV charging. By installing private charging piles (PCPs) in homes and enabling their sharing, both homes and EVs can benefit economically. Moreover, these PCPs can provide vehicle-to-grid services that can enhance the stability of the power system. This study develops a two-stage stochastic model to optimize the energy system of homes equipped with various types of distributed generation and PCPs. To address the role of uncertainty in parameters such as demands and renewable power generation, a sample average approximation (SAA) method is used to optimize the model. The SAA method is developed in a way that an autoregressive moving average (ARMA) model is employed to generate scenarios, and a fuzzy c-means (FCM) clustering algorithm is utilized to reduce the number of scenarios. This study utilizes data from the city of Calgary, Canada, to examine the application of the proposed model in a real-life setting. The results demonstrate that sharing PCPs benefits households by optimizing energy use, supports EV owners by making charging more convenient, and helps governments by reducing the need to build additional public charging stations.
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 | 0,001 | 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 ».