Fuel Economy and Greenhouse Gas Emissions Labeling and Standards for Plug-In Electric Vehicles from a Life Cycle Perspective
Notice bibliographique
Résumé
Reflecting the greenhouse gas (GHG) emissions attributable to plug-in electric vehicles (PEV) on energy and emissions labels, and in vehicle GHG emissions regulations, is complex due to spatial and temporal variation in fueling sources and vehicle use. The relative environmental performance for conventional gasoline vehicles can be reflected by the fuel economy of the vehicle due to the strong correlation between fuel economy and vehicle life cycle emissions. However, this correlation does not hold for PEVs and a more comprehensive emissions accounting methodology needs to be utilized to evaluate their environmental performance. This thesis is organized into two studies. The first evaluates PEV GHG emissions vehicle labeling and the effects of regional grids and regional daily vehicle miles traveled (VMT) on the total vehicle life cycle energy and GHG emissions. The model results indicate that only 25% of the life cycle emissions from a representative plug-in hybrid vehicle are reflected on current U.S. Environmental Protection Agency (EPA) vehicle labeling. Unexpectedly, for two regional grids the life cycle GHG emissions results were higher in electric mode than in gasoline mode. A recommendation is made that labels include stronger language on their deficiencies and provide ranges for GHG emissions from vehicle charging in regional electricity grids to better inform consumers. The second study evaluates U.S. EPA’s GHG emissions accounting methodology and current and future standards for new electrified vehicles. The current approach employed by the EPA is compared with an accounting mechanism where the actual regional sales of PEVs, and the regional electricity emission factor in the year sold, is used to determine the vehicle compliance value. The results showed that in the absence of a major policy shift, the small changes in the emission factors observed suggest that the complexity involved in tracking and accounting for regional PEV sales will not dramatically increase the effectiveness of the regulations to capture PEV electricity related GHG emissions.
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 ».