Utilizing Rooftop Renewable Energy Potential for Electric Vehicle Charging Infrastructure Using Multi-Energy Hub Approach
Notice bibliographique
Résumé
Electric vehicles (EV) have the potential to significantly reduce carbon emissions. Yet, the current electric vehicle charging infrastructure utilizes electricity generated from non-renewable sources. In this study, the rooftop area of structures is analyzed to assess electricity that can be generated through solar- and wind-based technologies. Consequently, planning an electric vehicle charging infrastructure that is powered through ‘clean’ energy sources is presented. We developed an optimal modeling framework for the consideration of Renewable Energy Technologies (RET) along with EV infrastructure. After examining the level of technology, a MATLAB image segmentation technique was used to assess the available rooftop area. In this study, two competitive objectives including the economic cost of the system and CO2 emissions are considered. Three scenarios are examined to assess the potential of RET to meet the EV demand along with the Abu Dhabi city one while considering the life-cycle emission of RET and EV systems. When meeting only EV demand through Renewable Energy Technologies (RET), about 187 ktonnes CO2 was reduced annually. On the other hand, the best economic option was still to utilize grid-connected electricity, yielding about 2.24 Mt CO2 annually. In the scenario of meeting both 10% EV demand and all Abu Dhabi city electricity demand using RE, wind-based technology is only able to meet around 3%. Analysis carried out by studying EV penetration demonstrated the preference of using level 2 AC home chargers compared to other ones. When the EV penetration exceeds 25%, preference was observed for level 2 (AC public 3ϕ) chargers.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».