Enhanced Performance of Bidirectional DC-DC Converters for EV Charging: Impact on Energy Efficiency and Grid Load
Notice bibliographique
Résumé
A surge in the adoption of EVs is posing numerous challenges with respect to energy efficiency and stability of the grid. The existing bidirectional DC-DC converters for Vehicle to Grid (V2G) and Grid to Vehicle (G2V) operations have several drawbacks, namely loss of efficiency, uncontrolled power flow, and grid oscillations. This research proposes a control framework using Deep Reinforcement Learning (DRL) to optimize bidirectional DC-DC converters for making EV charging energy efficient and balancing the grid load. Unlike traditional Proportional-Integral-Derivative (PID) and rulebased control methods, the proposed DRL algorithm adjusts the duty cycle and switching frequency dynamically according to real-time grid conditions for optimal control of power transfer. The architecture of the proposed control model includes Deep Q-Network (DQN), where the state variables voltage, power demand, and Battery State of Charge (SoC) are employed in making charging decisions. Experimental results demonstrate that DRL optimization improves the converter's efficiency to$\mathbf{9 8. 5 \%}$, reduces switching losses by$\mathbf{6 0 \%}$, stabilizes the grid frequency, and declines peak demand by 18.3 % when compared with conventional methods. Moreover, energy consumption is reduced by 22.1 %, thus resulting in a lower carbon footprint. These results consolidate that the Artificial Intelligence (AI) power management enhances the efficiency of Electric Vehicle (EV) charging and stability of grids and hence, soars as a potential alternative towards sustainable and intelligent energy distribution in modern power systems.
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) | 0,000 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».