Smart residential electric vehicle charging control via reinforcement learning
Notice bibliographique
Résumé
L'électrification du secteur des transports s'accélère rapidement. Au Canada seulement, 185,000 nouveaux véhicules zéro émission ont été enregistrés en 2023, soit une augmentation de 49 \% par rapport à 2022. Cette hausse de l’adoption des véhicules électriques (VE) a intensifié la demande de recharge de VE, exerçant une pression supplémentaire sur le réseau électrique, particulièrement aux heures de pointe. Dans les zones densément peuplées, la tendance vers une recharge simultanée accentue encore la pression sur les infrastructures, augmentant souvent la dépendance aux centrales électriques fonctionnant aux combustibles fossiles et les coûts énergétiques pour les consommateurs. Les chargeurs de niveau 2, des équipement de recharge pour véhicules électriques de courant alternatif de haute puissance, sont les plus populaires pour la recharge résidentielle, principalement en raison de leurs coûts d'installation et d'opération plus faibles. Malgré la demande croissante, à notre connaissance, il n'existe actuellement aucun équipement de recharge de niveau 2 capable d'ajuster automatiquement les horaires de recharge en fonction des prix de l'électricité, des conditions du réseau et des besoins des utilisateurs. Cette thèse propose un système de contrôle de recharge résidentielle intelligent pour véhicules électriques conçu pour les bornes de recharge de niveau 2, afin de répondre à ces besoins. Au cœur du système se trouve un contrôleur d'apprentissage par renforcement de type "Soft Actor-Critic" qui ajuste dynamiquement le taux de recharge tout au long de chaque session. Comparée aux approches classiques de branchement et de recharge ou de charge nocturne notre méthode réussit à réduire les coûts énergétiques, les émissions de carbone et la charge électrique résidentielle de pointe tout en s'assurant que les VE sont toujours rechargés de manière adéquate. Pour atteindre ces différents objectifs, le système intègre des modèles d'apprentissage profond basés sur les données pour prévoir les émissions de carbone du réseau dans différents États nord-américains et pour estimer la consommation d'électricité des foyers en fonction de leurs caractéristiques spécifiques. De plus, il inclut des modèles de tarification de l'électricité basés sur les tarifs horaires et les données des services publics
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».