Smart residential electric vehicle charging control via reinforcement learning
Bibliographic record
Abstract
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
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".