A Literature Review on Strategic, Tactical, and Operational Perspectives in EV Charging Station Planning and Scheduling
Notice bibliographique
Résumé
Before the onset of global warming concerns, the idea of manufacturing electric vehicles on a large scale was not widely considered. However, electric vehicles offer several advantages that have garnered attention. They are environmentally friendly, with simpler drive systems compared to traditional fossil fuel vehicles. Additionally, electric vehicles are highly efficient, with an efficiency of around 90%, in contrast to fossil fuel vehicles, which have an efficiency of about 30% to 35%. The higher energy efficiency of electric vehicles contributes to lower operational costs, which, alongside regulatory incentives and shifting consumer preferences, has increased their strategic importance for many vehicle manufacturers. In this paper, we present a thematic literature review on electric vehicles charging station location planning and scheduling. A systematic literature review across various data sources in the area yielded ninety five research papers for the final review. The research results were analyzed thematically, and three key directions were identified, namely charging station deployment and placement, optimal allocation and scheduling of EV parking lots, and V2G and smart charging systems as the top three themes. Each theme was further investigated to identify key topics, ongoing works, and future trends. It has been found that optimization methods followed by simulation and multi-criteria decision-making are most commonly used for EV infrastructure planning. A multistakeholder perspective is often adopted in these decisions to minimize costs and address the range anxiety of users. The future trend is towards the integration of renewable energy in smart grids, uncertainty modeling of user demand, and use of artificial intelligence for service quality improvement.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,003 |
| 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 ».