Sustainable electrification of road transport in cold regions: A decision support framework for optimal energy mix – Insights from Alaska
Notice bibliographique
Résumé
• Developed a decision support framework optimizing the electricity mix for EVs in cold regions. • Applied a multi-objective model to identify Pareto-optimal trade-offs between cost and emissions. • Demonstrated in Alaska that coal and natural gas are cost-effective, while renewables reduce emissions. • Showed that a balanced strategy reduces emissions by 15 % and costs by 22 % compared with extremes. • EV charging demand and natural gas prices strongly impact the optimal energy mix. The electrification of road transport presents a significant opportunity to reduce carbon emissions, but its sustainability depends on the composition of electricity generation sources. Cold regions such as Alaska face unique challenges, including heavy reliance on fossil fuels, limited renewable energy capacity, and climatic constraints on renewable energy generation. To address these challenges, this study develops a novel decision support framework that optimizes electricity generation for electric vehicle (EV) integration by balancing economic feasibility and environmental sustainability. The framework combines a multi-objective optimization model with a mixed binary integer programming–based decision model. The optimization model identifies Pareto-optimal generation mixes that minimize costs and emissions. The decision model reflects stakeholder priorities such as economic, environmental, and balanced perspectives. Applied to Alaska, the framework evaluates pathways involving natural gas, coal, hydro, wind, and solar under multiple EV electrification scenarios. Results show that coal and natural gas dominate least-cost solutions, while hydropower, wind, and solar provide the most environmentally sustainable options. A balanced strategy achieves a 15 % emissions reduction compared to the cost-minimizing case, while saving 22 % cost savings relative to the emission-minimizing scenario. Sensitivity analysis highlights that EV charging demand growth and natural gas-based electricity generation costs strongly shape the optimal generation mix. These findings provide actionable insights for policymakers, helping design adaptive, region-specific strategies for sustainable transport electrification in cold, resource-constrained regions.
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 ».