Comprehensive Fleet and Charger Sizing for Public Transportation Electrification Considering Route Assignment
Notice bibliographique
Résumé
Public transportation electrification is a topic of great interest due to its potentially significant impact on the reduction of greenhouse gas emissions. In order to electrify the public transportation system, the first stage is to determine the appropriate sizing of the necessary assets. Consequently, the goal of this work is the sizing of the fleet and chargers for transit agencies that choose to operate their fleets using two different modes of charging: overnight and opportunity charging. The developed methodology incorporates detailed route assignment, energy consumption modeling, and charging requirements for electric fleets. The problem goes through several stages: day-time operation is first modeled for every route individually to determine battery electric bus (BEB) route assignment while enforcing battery state of charge (SOC) constraints. Next, night-time operation is modeled to determine the optimal number of chargers needed to fully charge the fleet in preparation for the next day's operation. Once the operational formulation is completed, the planning formulation which determines the final selection of the assets to be purchased is presented. This formulation reflects the real-world selection and procurement process, which accounts for the interactions between transit agencies and technology manufacturers or suppliers. In this work the proposed methodology is applied on a transit system comprised of four short-distance Canadian routes, to determine the final number of BEBs and chargers needed for both modes of charging. The results highlight the efficacy of the proposed approach in determining the operation of the fleet as well as the required number of chargers required.
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 | 0,001 |
| 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 ».