Data-Driven Analysis of Electric Vehicle Charging Impact on Power Distribution Systems
Notice bibliographique
Résumé
Electric vehicles (EVs) are becoming increasingly essential for reducing greenhouse gas emissions and promoting a more sustainable transportation sector. However, EV adoption also introduces a significant electrical load. This paper analyzes real-world EV charging data alongside household electrical load data to evaluate the impact of EV charging on power distribution systems. The EV charging data were collected from a pilot program in Saskatchewan, Canada, while the household load data were obtained through advanced metering infrastructure (AMI) in the same province. The pilot program categorized participants into three groups: Open Choice, Targeted Charging, and Peak Avoidance. The Targeted Charging and Peak Avoidance groups received incentives to shift their charging behavior and reduce peak demand. Our analysis shows that such incentives are highly effective in reducing peak demand—for example, the Targeted Charging group achieved a 51% reduction. However, simulation results indicate that incentivized charging can overload transformers in low-voltage power distribution systems. The study shows that the evaluated power distribution system can handle 2 EVs per house under normal conditions. However, under extreme conditions (e.g., hot days), the existing power infrastructure cannot handle 1 EV per house, even with incentives. In such cases, an optimized charging strategy is necessary. The study also indicates that the voltage sag is not the bottleneck of the EV penetration. This study provides a foundational reference for utilities to design smart EV charging programs, assess their impacts, and plan for future infrastructure needs.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».