MARC

 008250123s2024        us                              c    eng  d
■001000017165113
■00520250211153125
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346852278
■035    ▼a(MiAaPQ)AAI31764718
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aNarayana  Gowda,  Shashank.
■24510▼aElectric  Vehicle  Integration  for  Grid  Services  Using  AI,  Optimization,  and  Blockchain
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a135  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  B.
■500    ▼aAdvisor:  Gadh,  Rajit.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aThe  rapid  adoption  of  electric  vehicles  (EVs)  presents  both  challenges  and  opportunities  for  modern  power  grids.  This  dissertation  advances  EV  integration  within  power  grid  systems  through  four  interconnected  contributions.  First,  the  application  of  transfer  learning  and  model-agnostic  meta-learning  techniques  enhance  short-term  EV  charging  load  forecasting  in  an  evolving  EV  landscape,  reducing  forecasting  errors  by  up  to  61%  compared  to  traditional  machine  learning  approaches.  These  improvements  enable  grid  operators  to  better  manage  dynamic  charging  patterns  across  diverse  geographical  conditions  with  limited  historical  data.Second,  an  optimization  framework  leveraging  Vehicle-to-Grid  (V2G)  technology  demonstrates  potential  for  grid  congestion  relief  through  strategic  charging  and  discharging  based  on  congestion  component  of  Locational  Marginal  Prices.  While  EVs  can  contribute  to  grid  stability,  economic  analysis  reveals  that  participation  typically  results  in  net  monetary  losses  under  current  market  models  when  accounting  for  seasonal  variations  and  battery  degradation  costs.Third,  a  blockchain-based  framework  addresses  battery  degradation  concerns  in  V2G  applications  through  real-time  tracking  and  assessment.  The  framework  dynamically  updates  degradation  cost  parameters  based  on  charging  activities  and  environmental  conditions,  enabling  transparent  management  of  battery  lifecycle  costs  and  informed  V2G  participation.Fourth,  an  optimal  sizing  method  for  Battery  Energy  Storage  Systems  (BESS)  integration  with  electric  bus  charging  infrastructure  in  urban  transit  networks  optimizes  is  discussed  for  both  depot  and  en-route  charging  scenarios.  The  resulting  framework  demonstrates  how  strategic  storage  deployment  manages  peak  loads  and  reduces  operational  costs,  enhancing  the  economic  viability  of  electric  public  transit.These  contributions  advance  the  development  of  efficient  and  resilient  electrified  transportation  systems  through  innovative  solutions  in  load  forecasting,  grid  services,  battery  management,  and  infrastructure  cost  reduction,  supporting  the  global  transition  to  sustainable  energy.
■590    ▼aSchool  code:  0031.
■650  4▼aEnergy
■650  4▼aElectrical  engineering
■653    ▼aElectric  vehicles
■653    ▼aMeta-learning  techniques
■653    ▼aBattery  degradation
■653    ▼aBattery  Energy  Storage  Systems
■653    ▼aBattery  management
■690    ▼a0791
■690    ▼a0800
■690    ▼a0544
■71020▼aUniversity  of  California,  Los  Angeles▼bMechanical  Engineering  0330.
■7730  ▼tDissertations  Abstracts  International▼g86-06B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17165113▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서