MétaCan
Menu
Retour à la cohorte
Enregistrement W4401392672 · doi:10.1287/msom.2022.0381

From Curtailed Renewable Energy to Green Hydrogen: Infrastructure Planning for Hydrogen Fuel-Cell Vehicles

2024· article· en· W4401392672 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueManufacturing & Service Operations Management · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric Vehicles and Infrastructure
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRenewable energyHydrogen vehicleFuel cellsHydrogen fuelBusinessEnvironmental economicsHydrogenNatural resource economicsEconomicsEngineeringChemistry

Résumé

récupéré en direct d'OpenAlex

Problem definition: Hydrogen fuel-cell vehicles (HFVs) have been proposed as a promising green transportation alternative. For regions experiencing renewable energy curtailment, promoting HFVs can achieve the dual benefit of reducing curtailment and developing sustainable transportation. However, promoting HFVs faces several major hurdles, including uncertain vehicle adoption, the lack of refueling infrastructure, the spatial mismatch between hydrogen demand and renewable sources for hydrogen production, and the strained power transmission infrastructure. In this paper, we address these challenges and study how to promote HFV adoption by deploying HFV infrastructure and utilizing renewable resources. Methodology/results: We formulate a planning model that jointly determines the location and capacities of hydrogen refueling stations (HRSs) and hydrogen plants as well as electricity transmission and grid upgrade. Despite the complexity of explicitly considering drivers’ HFV adoption behavior, the bilevel optimization model can be reformulated as a tractable mixed-integer second-order cone program. We apply our model calibrated with real data to the case of Sichuan, a province in China with abundant hydro resources and a vast amount of hydropower curtailment. Managerial implications: We obtain the following findings. (i) The optimal deployment of HRSs displays vastly different spatial patterns depending on the HFV adoption target. The capital city, a transportation hub, is excluded from the plan under a low target and only emerges as the center of HFV adoption under a high target. (ii) Promoting the HFV adoption can overall help reduce hydropower curtailment, but the effectiveness depends on factors such as the adoption target and the grid upgrade cost. (iii) Being a versatile energy carrier, hydrogen can be transported to various locations, which allows for strategic placement of HRSs in locations distinct from hydrogen plant sites. This flexibility offers HFVs greater potential cost savings and curtailment reduction compared with other alternative fuel vehicles (e.g., electric vehicles) under current cost estimates. Funding: W. Qi acknowledges the support from the National Natural Science Foundation of China [Grants 72242106, 72188101, and 72272014] and the Natural Sciences and Engineering Research Council of Canada [Grant RGPIN-2019-04769]. Supplemental Material: The online appendix is available at https://doi.org/10.1287/msom.2022.0381 .

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,501
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,205
Écart entre enseignants0,199 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle