Differentiated Speed Planning for Connected and Automated Electric Vehicles at Signalized Intersections considering Dynamic Wireless Power Transfer
Notice bibliographique
Résumé
Deploying the dynamic wireless power transfer (DWPT) equipment at intersections can improve the transportation efficiency and decrease the energy consumption. It can easily turn the disadvantages of waiting time for red phase into the advantages of charging benefits for electric vehicles (EVs). This study develops a multiobjective speed planning model with differentiated charging strategy to optimize the EV’s trajectory at signalized intersections with DWPT. To mitigate the negative impact of DWPT, the proposed model is divided into charging priority driving (C-eco-driving) mode and time priority driving (T-eco-driving) mode for connected and automated electric vehicles (CAEVs) to apply different scenarios. Meanwhile, a widely applied car-following model, i.e., the Intelligent Driver Model (IDM), has been calibrated with the ground-truth dataset to meet the intersection characteristic for EVs in mixed traffic. The efficiency and robustness of two eco-driving modes were validated in single-vehicle and mixed traffic based on MATLAB simulation. For single vehicle, the electricity benefits of the C-eco-driving mode and T-eco-driving mode increase about 0.0867 kWh and 0.0532 kWh, respectively. T-eco-driving mode reduces 2.5 s of travel time. For mixed traffic, the C-eco-driving mode provides more charging benefits about 51~73% than no-control strategy. In contrast, the T-eco-driving mode provides significant time benefits of 2.6 s and slight electricity benefits of 12~30% than no-control strategy. The increment of market penetration rate and wireless charging length can significantly improve the charging benefits. When charging length has the same value, the closer the DWPT facilities to the intersection, the more obvious the charging benefits.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».