Joint optimization of bow-type fast charger locations and battery capacity for electric buses
Notice bibliographique
Résumé
The transition from fossil fuel-powered buses to battery electric buses (BEBs) is occurring gradually; however, BEBs encounter challenges such as limited driving range and extended charging durations, which highlight the need for the development of optimized charging solutions. The bow-type fast charger, characterized by its high charging power and capability for unmanned operation, presents a viable option. These chargers can be strategically installed at terminals or intermediate stops, enabling BEBs to leverage their dwell time for charging purposes. This study formulates a mixed integer programming model aimed at jointly optimizing the locations of bow-type fast chargers, the battery capacity of the buses, and the bus schedule for a specific bus line. The primary objective is to minimize the combined costs associated with the construction of chargers and the acquisition of vehicles. Empirical data from an operational BEB line in Meihekou City, China, is employed to validate the model. Additionally, the study examines the sensitivity of three critical parameters and the impact of random disturbance factors. The optimization outcomes in scenarios that do not account for charging time limitations at intermediate stops are also evaluated. Findings indicate that the service time utilization rate at intermediate stops equipped with charging bows exceeds 90%. This suggests that BEBs can effectively utilize their dwell time for charging, thereby facilitating the synchronization of BEB charging with the bus schedule.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».