Vehicle-to-everything mode of operation technologies: A state-of-art systematic review
Notice bibliographique
Résumé
Electric Vehicles (EVs) are among the counterpart components in sustainable transportation and its economy by reducing carbon emissions, improving air quality, and decreasing reliance on fossil fuels. To this end, Vehicle-to-Everything (V2X) technologies are considered the main part of EV development. Consequently, V2X technologies, including Vehicle-to-Grid (V2G), Vehicle-to-Building (V2B), Vehicle-to-Load (V2L), Vehicle-to-Vehicle (V2V), and Vehicle-to-Ship (V2S) enable energy and data transfer between EVs and their environment, enhancing power grid stability, supporting building energy needs, and facilitating inter-vehicle communication for more efficient and sustainable transportation systems. Based on the importance of V2X, many reviews have been conducted in recent years, highlighting their different aspects and components. However, no one has anticipated a complete overview of this technology. Therefore, this overview paper presents a complete review of EVs force/energy modeling, V2X (V2G, V2B, V2V, V2L, and V2S) technologies, human intention and machine interface, electricity market, as well as the recent Artificial Intelligence (AI)-based strategies integrated with them. Furthermore, the official standards, datasets, and financed projects related to V2X technologies are investigated. Finally, the challenges of each technology are analyzed, and future works are presented. The future of EVs promises widespread adoption driven by advancements in battery technology, enhanced charging infrastructure, and supportive V2X technologies, leading to cleaner and more efficient transportation systems that contribute to global decarbonization and net-zero emission goals.
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 ».