文献

J-GLOBAL ID：202202262687837990   整理番号：22A1092487

マイクログリッドにおける不確実性を考慮した電気自動車の充電需要予測【JST・京大機械翻訳】

Charging demand forecasting of electric vehicles considering uncertainties in a microgrid

著者 (5件)： Wu Chuanshen (School of Electrical Engineering, Southeast University, Nanjing, China) ,  Jiang Sufan (School of Electrical Engineering, Southeast University, Nanjing, China) ,  Gao Shan (School of Electrical Engineering, Southeast University, Nanjing, China) ,  Liu Yu (School of Electrical Engineering, Southeast University, Nanjing, China) ,  Han Haiteng (College of Energy and Electrical Engineering, Hohai University, Nanjing, China)
資料名： Energy  (Energy)
巻： 247  ページ： Null  発行年： 2022年 
JST資料番号： H0631A  ISSN： 0360-5442  CODEN： ENEYDS  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： マイクログリッド(MG)における電気自動車(EVs)の現在増加している統合は,大きな注目を集めている。しかし,気象,交通,および運転者行動の高い不確実性によって,EVの充電需要は正確に予測が困難である。本研究では,MGにおけるEVの充電需要の予測精度を改善するために,最適パラメータ予測法を提示した。確率分布からのサンプリングによるEV状態の予測の方法に対して,本研究はMGに到着したEVのフィードバックに基づくファジィ集合内の確率分布の最適パラメータ値を修正した。ファジィ集合を利用してロバスト性を考慮したパラメータ値の修正範囲を制限する。さらに,多重サンプリング結果の平均値を計算し,予測結果の安定性を改善した。予測結果と組み合わせて,本研究は,EVのエネルギー管理のために,圧延時間範囲にわたって実行して,許容可能な充電レベルが,切断時間において達成されることを確実にした。シミュレーション結果は,他の最先端の予測方法と比較して,提案した予測方法が,EVsの予測誤差を減少するのに非常に有効であり,したがって,MGにおけるEVsの充電の調整において,より良い性能を有することを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予測技法 ,  シミュレーション ,  *不確実性 ,  *電気自動車 ,  圧延 ,  確率分布 ,  *需要予測 ,  *充電 ,  ファジィ集合 ,  多重化 ,  ロバスト性 ,  予測誤差 ,  *マイクログリッド
準シソーラス用語： 予測精度 ,  最適パラメータ , 【Automatic Indexing@JST】

著者キーワード (5件)： 充電需要 ,  電気自動車 ,  予測 ,  マイクログリッド ,  不確実性

分類 (1件)： 電力系統一般  (NB02000E)

タイトルに関連する用語 (5件)： マイクログリッド ,  不確実性 ,  電気自動車 ,  充電 ,  需要予測