.png){kind=icon}
返回
Machine Learning-Based Dynamic Hosting Capacity for Bidirectional EVs
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2026.3667959.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着充电站技术的不断发展，电动汽车用户在配电网管理应用中的积极参与程度日益提高。双向能量流（包括车辆到电网和电网到车辆模式）有助于电能规划。特别是通过承载能力分析，可以提高系统的优质电能容量，并提供灵活的电网模型。本研究考察了电动汽车接入欧洲低压测试系统的多种集成方式。采用蒙特卡洛模拟确定电动汽车消费者的不确定性。使用开源配电网仿真程序OpenDSS来分析性能指标，如最小电压、最大电压和过载。基于潮流分析结果确定电动汽车的最大承载能力。此外，利用所获得的数据集执行了机器学习应用，如分类和回归。针对不同场景估计了运行适宜性和集成电动汽车功率。比较了所使用的机器学习方法的结果。本研究旨在为配电网运营商提出一个模型，以根据电能质量指标进行合理规划。所提出的模型旨在确定任何场景下的承载能力值，并加速替代规划。
Keyword:
Classification
electric vehicle
grid to vehicle
hosting capacity
machine learning
regression
vehicle to grid
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
Stochastic analysis of the implementation of distributed generation utilizing Monte Carlo Simulation
PREAI
分享收藏The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation在回归分析评估中，决定系数R平方比SMAPE，MAE，MAPE，MSE和RMSE更具信息性
OAAI
OAAI分享收藏Prediction of renewable energy hosting capacity using multiple linear regression in KEPCO systemOAAI
OAAI分享收藏Optimization-based distribution grid hosting capacity calculations基于优化的配电网承载能力计算.png)
APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏
查看更多内容