Influence of Battery Energy, Charging Power, and Charging Locations upon EVs’ Ability to Meet Trip Needs
Notice bibliographique
Résumé
One year of high-resolution driving data from a sample of 333 instrumented gasoline passenger vehicles are used to create a trip inventory of U.S. vehicle travel requirements. A set of electric vehicles (EVs) is modeled, differing in battery size (kWh), recharging power (kW), and locations for charging when parked. Each modeled EV’s remaining energy is tracked while traversing the entire sample’s trip inventory in order to estimate how well each EV meets all U.S. driving requirements. The capital cost of refueling infrastructure is estimated per car, for gasoline and for each analyzed combination of charging station locations. We develop three metrics of the ability of different EV characteristics to meet trip requirements: the percentage of trips successfully met by each modeled EV, the number of days that the driver must “adapt” EV use to meet more demanding trip requirements, and the total driver time required for refueling. We also segment the market of trip patterns per car, finding that 25% to 37% of the vehicle population could meet all their drivers’ trip needs with a smaller-battery EV combined with community charging. This potential combination of EVs and charging would enable lower-price EVs and lower-cost recharging power, and would broaden EV availability to groups for whom today’s EVs and charging configurations are less accessible.
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 | 0,000 | 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 ».