Plug-in Hybrid Vehicle GHG Impacts in California: Integrating Consumer-Informed Recharge Profiles with an Electricity-Dispatch Model
Notice bibliographique
Résumé
Estimating greenhouse gas (GHG) emissions of plug-in hybrid vehicles (PHEVs) is challenging because PHEVs are powered by gasoline and grid electricity—in a variety of proportions across individual consumers. Previous GHG estimates emissions postulate consumer behavior and simplify interactions with the electricity grid. We construct PHEV emissions scenarios to address inherent relationships between vehicle design, driving and recharging behaviors, seasonal and time-of-day variation in GHG-intensity of electricity, and total GHG emissions. From a survey of 877 California new vehicle buyers we elicit driving patterns, time of day recharge access, and PHEV design interests. The elicited data differ substantially from those used in previous analyses—including substantial interest in PHEVs with no true all-electric driving. We construct electricity demand profiles scaled to one million PHEVs and input them into an hourly California electricity supply model to simulate GHG emissions scenarios. Compared to conventional vehicles, consumerdesigned PHEVs cut marginal (incremental) GHG emissions by more than one third in current California energy scenarios and by a quarter in future energy scenarios— -2- reductions similar to those simulated for all-electric PHEV designs. Across the emissions scenarios realization of long-term GHG reductions depends on reducing the carbon intensity of the grid.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».