Development and application of an optimization model to evaluate future charging demand for long-haul electric vehicles in Ontario, Canada
Notice bibliographique
Résumé
Establishing a charging network is critical to support vehicle electrification. Determining the ideal locations of charging stations can be challenging due to conflicting stakeholder constraints. This study aims to identify the optimal number of on-route charging locations that can support the projected maximum charging demand of long-haul electric vehicles (LHEVs) in the Canadian province of Ontario in the year 2040. A flow-based path-segment coverage model is proposed, which considers the time when each charging event at each candidate location is likely to occur. The impact of charging LHEVs on the grid is also evaluated. Based on projected 2040 LHEV adoption, results suggest that almost 90 % of the trips will be completed without the need to recharge. However, at least 82 fast charging station locations must be established throughout Ontario to support the remaining LHEV trips within the province. Moreover, almost 75 % of these trips are dependent primarily on 18 of these locations. In general, more than 46 GW of electricity per day is expected to be used when LHEVs have been adopted on a much larger scale in Ontario. Specifically, the Greater Toronto Area (GTA) is likely to experience approximately 4.86 GW of additional energy from LHEV charging activities during peak hours. • Optimization is used to identify the best locations for LHEV charging stations. • 82 on-route charging sites are needed to support the projected LHEV trips in 2040. • More than 8000 charging events occur on these locations per day. • More than 46 GW of electricity per day will be needed to charge LHEVs in Ontario. • The Greater Toronto Area will require about 5 GW per day to support the charging of LHEVs.
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 | 0,000 |
| 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 ».