Sähköautojen latausinfran esisuunnittelu
Bibliographic record
Abstract
Sähköauton massatuotantoa ollaan aloittamassa tai on jo aloitettu monissa teollisuusmaissa. Suomessa sähköauton yleistymistä katukuvassa jarruttavat haastavat sääolosuhteet ja korkea verotus. Latausasemien ja latauspisteiden kehittämistä ja markkinoille tuloa jarruttaa kesken oleva standardointi. Sekä maailmanlaajuinen, että Euroopanlaajuinen standardisointi on vielä monilta osin kesken ja uusia standardeja ollaan joko julkaisemassa tai valmistelemassa. \n \nEri valmistajat kuten ABB ja Ensto, ovat julkaisseet ja tuoneet markkinoille omia versi-oitaan latausasemista. Erivalmistajien mallit eroavat toisistaan paitsi ulkonäöltään, myös joiltain osin ominaisuuksiltaan. Markkinoilla on tarjolla kolmea erikokoista latausnopeutta käyttävää latausasemaa. Latausnopeudet ovat hidaslataus, keskinopea lataus ja pikalataus. Latausasemat vaativat lataustehon mukaan erilaisia mitoituskriteerejä kaapeleiden ja suojausten suhteen. \n \nSuomen vuosittainen sähköenergiantuotanto riittää kattamaan sähköauton lataukseen tarvittavan latausenergian, vaikka jokaisella ajokykyisellä suomalaisella olisi sähköauto. Ilman että latausta kyetään porrastamaan, huippukulutuksen piikki ylittyisi yli kaksinkertaisesti. Tällöin Suomen omatuotanto ei riitä kattamaan sähköauton latauksenkulutusta, vaan jouduttaisiin ostamaan tuontisähkö ulkomailta tai rakentamaan lisää tuotantokapasiteettia. \n \nTasavirralla tehtävät lataukset saattavat aiheuttaa verkkoon harmonisia yliaaltoja. Yli-aaltoja voidaan torjua erilaisilla suodattimilla. Yliaallot saattavat summautua nollajohtimessa. Tästä syytä nollajohdin yleensä mitoitetaan suuremmaksi kuin vaihejohtimet. Vaihtovirralla tapahtuvista latauksista ei ole yliaaltojen kannalta samanlaista haittaa verkon virtaan kuin tasajännitelatauksella.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.116 | 0.045 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".