Electric Vehicles Under Low Temperatures: A Review on Battery Performance, Charging Needs, and Power Grid Impacts
Notice bibliographique
Résumé
Electric vehicles (EVs) are gaining mainstream adoption as more countries introduce net-zero carbon targets for the near future. Lithium-ion (Li-ion) batteries, the most commonly used energy storage technology in EVs, are temperature sensitive, and their performance degradates at low operating temperatures due to increased internal resistance. The existing literature on EV-power grid studies assumes that EVs are used under “perfect temperatures" (e.g. 21 Celsius) and temperature-related issues are ignored. In addition, most of the countries/regions with high EV penetration (e.g. Norway, Canada, northern parts of the US and China, etc.) experience harsh cold months, making it extremely critical to understand EV performance and consequently their impacts on the electrical power networks. In this paper, we present a systematic review of the literature that considers the combined investigation of Li-ion battery technology and power networks, with a focus on their operation under suboptimal weather conditions. More specifically, we review: (i) the impact of low temperatures on the electrochemical performance of EV batteries in parking, charging and driving modes, (ii) the challenges experienced by EVs during charging and associated performance degradation, and (iii) the additional impacts of EV charging on the power networks. Our analysis shows that there are serious research gaps in literature and industry applications, which may hinder mass EV adoption and cause delays in charging station roll-out.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».