Driving Sustainability Through Fleet Electrification, Smart Routing, and Peer-to-Peer Energy Trading: Energy Operations Can Become a Source of Profit
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Freight transportation remains a significant source of carbon emissions, making the electrification of commercial vehicle fleets a crucial strategy for sustainability. Beyond simply replacing diesel trucks with zero-emission vehicles, there is an opportunity to optimize how electrified fleets interact with the power grid. This study proposes an integrated framework that combines the daily vehicle routing problem (VRP) of an electric fleet with participation in a decentralized peer-to-peer (P2P) energy market. By allowing fleet vehicles to trade energy through fast charging stations (FCSs) with other local energy users, the model enables temporal arbitrage (shifting energy use across time). We evaluate the approach using case studies under multiple scenarios, from a baseline with no grid interaction up to full P2P energy trading. The results show that, under the P2P trading scenario, the fleet can utilize nearly 90% of the renewable energy surplus in the local grid. Besides, it can supply a significant portion of local power shortfalls, drastically reducing reliance on backup fossil-fueled generators. Economically, this decentralized strategy reduces the fleet’s net energy cost so dramatically that energy operations become a source of profit: the fleet buys electricity cheaply during off-peak periods and sells power back at higher prices during peak demand. These findings demonstrate that intelligently integrating P2P energy trading with electric fleet operations can simultaneously cut operating costs, reduce carbon emissions, and enhance overall grid resilience.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 découle