Battery life impact of vehicle-to-grid application of electric vehicles
Notice bibliographique
Résumé
In recent years, electric vehicles (EVs) have successfully been gaining a market foothold in many countries around the world. The number of plug-in vehicles is forecast to grow steadily to over 10 million vehicles before 2024. In many countries, concerns about the environmental impact of fossil fuel-based electricity production have resulted in a shift towards more sustainable power generation technologies. Electricity production from solar and wind, however, is intrinsically unsteady. Costly provisions therefore need to be made within electricity grids to ensure back-up power is available on demand. The power stored in the batteries of the growing fleets of EVs could potentially be a cost effective alternative to conventional spinning reserves through Vehicle-to-Grid (V2G) applications. Concerns arise over the use of EVs for V2G purposes; as such use is expected to negatively impact EV battery life. Data on additional battery degradation due to V2G is presently quite scarce. A detailed simulation model was developed to explore the various processes that impact EV battery life. The model was used in a simulation study to determine the battery life impact of various V2G scenarios in comparison to a base case of regular driving and charging. Scenarios with different driving styles, various charge levels and different V2G events were evaluated. The impact of fast charging of EVs on battery life was also considered. The study concluded that aggressive driving and fast charging have a great impact on EV battery life. A similar level of battery degradation was found for intense participation in V2G services, fully discharging the battery on a daily basis. However, less intense use of the EV battery can still provide useful V2G services with acceptable battery degradation. Manufacturers of EVs are therefore encouraged to implement V2G capability in their EVs.
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 ».