Enhanced Grid Stability and Demand-Side Optimization through Deep Neural Network-Controlled Vehicle-to-Grid (V2G) Peak Shaving and Load Shifting
Notice bibliographique
Résumé
Modern power networks face both opportunities and problems from the quick adoption of electric vehicles (EVs) and the growing use of non-conventional resources.To keep the grid stable, controlling peak demands and making sure energy is distributed efficiently provide a significant challenge.By enabling bidirectional power transfer between EVs and the grid, vehicleto-grid (V2G) technology provides a workable option.As a result, EVs become mobile energy storage devices that may optimize energy consumption and lessen grid stress by recharging during off-peak hours (load shifting) and discharging electricity during peak demand (peak shaving).This study suggests a Deep Neural Network (DNN)-based Demand Side Management (DSM) approach for a grid-connected V2G energy storage system.By training the DNN to forecast short-term power use and user behaviour, EV charging and discharging cycles may be controlled in real time.Through advanced V2G operations, the model ensures optimal energy exchange by considering criteria including EV availability, battery State-of-Charge (SOC), grid load patterns, and power price.MATLAB/Simulink simulation results with various residential and business load profiles over a 24-hour period show how successful the suggested approach is.Peak grid power peaked at 166.5 kW without DNN management, however peak shaving based on DNN lowered this to 100 kW.The demand was further spread using load shifting, which produced a smoother load curve.The suggested DNN-based DSM strategy is a viable option for next-generation smart grids as it greatly improves grid stability, lowers operating costs, and makes it easier to integrate renewable energy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».