Sustainable planning of electric bus systems: Degradation-aware and climate-specific techno-economic analysis
Notice bibliographique
Résumé
The transition to battery electric buses (BEBs) offers a promising pathway to decarbonize urban transport. However, planning their deployment requires careful evaluation of both economic and environmental trade-offs. This study presents a novel planning framework that jointly minimizes the total cost of ownership (TCO) and greenhouse gas (GHG) emissions by optimizing onboard battery size, charger power, and number of chargers, while incorporating a detailed battery aging model to capture real-world degradation under varying temperatures and charging conditions. A comparative analysis is conducted across four cities-Singapore, Adelaide, Munich, and Calgary-each representing distinct climate profiles, electricity prices, and grid emission intensities. The study also evaluates three widely used lithium-ion battery chemistries: LFP, NMC, and NCA. Results reveal substantial variation in optimal BEB configurations across regions. Colder cities require larger batteries and higher charging power to maintain reliability, resulting in increased costs and emissions, while milder climates with cleaner grids support more cost-effective and sustainable solutions. Critically, the analysis demonstrates that no single configuration performs best across all locations or chemistries-underscoring that one-size-fits-all approaches are unsuitable for BEB planning. These findings provide actionable insights for policymakers and transit agencies aiming to deploy BEBs effectively under diverse regional conditions. • Proposes a BEB planning framework minimizing both cost and GHG emissions. • Integrates thermal and aging models to capture real-world battery degradation. • Assesses battery chemistries (LFP, NMC, NCA) across four climate-diverse cities. • Reveals that optimal BEB designs are highly location- and climate-dependent. • Provides an open-access tool for sustainable and cost-effective BEB deployment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».