کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6936183 1449662 2018 22 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Data-driven optimal charging decision making for connected and automated electric vehicles: A personal usage scenario
ترجمه فارسی عنوان
تصمیم گیری شارژ بهینه داده برای وسایل نقلیه الکتریکی متصل و خودکار: شیوه استفاده شخصی
کلمات کلیدی
روش داده کاوی، تصمیم گیری شارژ، وسایل الکتریکی متصل و خودکار، پیش بینی مصرف انرژی، تصمیم گیری چند مرحله ای، برنامه نویسی دینامیک،
ترجمه چکیده
این مطالعه چارچوب تصمیم گیری بهینه شارژ برای وسایل نقلیه الکتریکی متصل و خودکار را تحت سناریوی شخصی قرار می دهد. این چارچوب به منظور ارائه استراتژی های شارژ، یعنی انتخاب ایستگاه شارژ و مقدار انرژی شارژ، با توجه به محدودیت های برنامه های روزانه شخصی و زیرساخت های شارژ موجود، هدف قرار می دهد. یک روش مبتنی بر داده ها برای ایجاد مدل پیش بینی مصرف انرژی تصادفی با در نظر گرفتن عدم اطمینان واقع گرایانه معرفی شده است. این کار با تجزیه و تحلیل مجموعه داده های وسیع خودروی الکتریکی انجام می شود. یک روش به روز رسانی در زمان واقعی طراحی شده است تا این مدل پیش بینی را از نقاط داده جدید متوالی در یک راه سازگار برای برنامه های دنیای واقعی طراحی کند. بر اساس این چارچوب پیش بینی هزینه انرژی از داده های وسایل نقلیه واقعی الکتریکی، مدل تصمیم گیری شارژ بهینه سازی چند مرحله ای شامل یک مدل قطعی برای تصمیم گیری میانگین نتیجه و یک مدل قوی برای استراتژی های امن تر شارژ معرفی شده است. الگوریتم برنامه ریزی پویا برای یافتن راهکارهای بهینه سازی شارژ پیشنهاد شده است. شبیه سازی های دقیق و مطالعات موردی نشان دهنده عملکرد الگوریتم های پیشنهادی برای یافتن استراتژی های شارژ مطلوب است. آنها همچنین قابلیت بالقوه وسیله نقلیه الکتریکی متصل و خودکار را برای کاهش اضطراب محدوده و وابستگی زیرساخت شارژ نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
تصمیم گیری شارژ بهینه داده برای وسایل نقلیه الکتریکی متصل و خودکار: شیوه استفاده شخصی
چکیده انگلیسی
This study introduces an optimal charging decision making framework for connected and automated electric vehicles under a personal usage scenario. This framework aims to provide charging strategies, i.e. the choice of charging station and the amount of charged energy, by considering constraints from personal daily itineraries and existing charging infrastructure. A data-driven method is introduced to establish a stochastic energy consumption prediction model with consideration of realistic uncertainties. This is performed by analyzing a large scale electric vehicle data set. A real-time updating method is designed to construct this prediction model from new consecutive data points in an adaptive way for real-world applications. Based on this energy cost prediction framework from real electric vehicle data, multistage optimal charging decision making models are introduced, including a deterministic model for average outcome decision making and a robust model for safest charging strategies. A dynamic programming algorithm is proposed to find the optimal charging strategies. Detailed simulations and case studies demonstrate the performance of the proposed algorithms to find optimal charging strategies. They also show the potential capability of connected and automated electric vehicles to reduce the range anxiety and charging infrastructure dependency.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Transportation Research Part C: Emerging Technologies - Volume 86, January 2018, Pages 37-58
نویسندگان
, ,