Transit electrification through charger deployment, fleet type selection, and charging schedule optimization
Notice bibliographique
Résumé
Transit electrification requires strategic planning of chargers, fleet selection, and charging schedules. This study presents an integrated optimization model considering these elements alongside operational factors, such as time-of-day electricity prices, enabling realistic assessment of charging costs. We address the computational complexity of electrifying large-scale transit networks through a heuristic algorithm that decomposes the problem into two sub-problems, where the first determines the optimal charger locations, and the second optimizes fleet selection and allocation to bus blocks and charging schedules. We extract network and operational characteristics, like layover times, from GTFS data. The heuristic algorithm produces solutions within 2.2% of the optimal on average for medium-sized networks, demonstrating its effectiveness in finding near-optimal solutions. Our analysis shows that although the charging rate affects the number and capacity of chargers, it has a lower effect on the distribution of battery types. The results reveal that higher electricity prices incentivize the adoption of larger battery capacities, as they enable buses to shift charging to lower-cost periods and reduce reliance on expensive peak-hour electricity. We examine the transit networks of 20 cities and districts and find that in Washington, Philadelphia, and Brooklyn, more than 70% of buses can be electrified solely with overnight charging without requiring recharging during the day. In contrast, Los Angeles, Houston, and Calgary require substantial en-route charging to achieve high electrification while completing routes without running out of charge. • A joint optimization model for charger siting, fleet type, and scheduling is presented. • A scalable two-stage heuristic for large urban transit networks is introduced. • Validates the heuristic against exact solvers with <3% deviation and faster runtime. • Applies the framework to 20+ North American cities. • Conducts sensitivity analysis on energy consumption rate, charging rate, and electricity price.
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 | 0,001 |
| 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 ».