A systematic literature review of optimal placement of fast charging station
Notice bibliographique
Résumé
Electric vehicles (EV) have increased in the last few decades due to their ability to reduce greenhouse gas emissions (GHG). Support for the electrification of the transportation sector has encouraged researchers to investigate the optimal placement of fast charging stations (FCS). In this study, we conducted a systematic literature review of 84 primary studies between 2019 and 2024 by identifying objective function and solution techniques, uncertainty, stakeholders, and network classification. We identified the objective functions most commonly used by authors related to technical and cost-solving problems using techniques: conventional (41.7%), metaheuristic (33.3%), hybrid (22.6%), and other (2.4%). Several researchers have also considered various uncertainty parameters from EV, FCS demand, and distributed generation (DG) power output with the most popular probabilistic method to solve problems. Furthermore, the role of stakeholders and network classification is also reviewed in this article. Our study contributes to the field by providing a comprehensive overview of the most significant journals and highlighting future research on the optimal placement of FCS. Future work must focus on improving parameters, models, methods, and using real data from various factors related to FCS demand. • A systematic literature review of problem formulation and optimization methods of FCS. • Overview of uncertainty parameters and modeling techniques of FCS demand. • Reviewing stakeholders and network classification of FCS. • Identifying journals related to FCS placement using PRISMA and Bibliometrix.
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 ».