CleanCharge: Emissions-aware electric vehicle charging and infrastructure equity with open data in Melbourne
CleanCharge: メルボルンにおける排出量考慮型電気自動車充電とインフラ公平性のためのオープンデータを用いた研究 (AI 翻訳)
Hussein Dia
🤖 gxceed AI 要約
日本語
本研究は、メルボルンを対象に、グリッドの炭素強度を考慮した電気自動車（EV）充電の再現可能なオープンデータワークフローを提案する。充電器の位置とAPIから取得した時間単位の炭素強度を統合し、勾配ブースティングモデルで高精度に将来の炭素強度を予測、低炭素充電時間帯を特定する。20kWhの充電セッションで最大6-7kg CO2（約50%）の削減が可能であり、費用削減効果も確認された。また、空間的公平性分析により郊外でのアクセス格差が示された。
English
This study presents CleanCharge, a reproducible open-data workflow for emissions-aware EV charging in Melbourne. It integrates charger locations with hourly grid carbon intensity, using a gradient boosting model to forecast low-carbon charging windows. Shifting charging into predicted windows cuts per-session emissions by up to 6-7 kg CO2 (50%). Equity analysis reveals access gaps in outer suburbs. The approach is transferable to other cities.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
日本でもEV普及に伴い、充電時間帯による排出量変動が注目されている。本手法は、東京電力など地域ごとの炭素強度データを活用すれば、日本の電力システムにも応用可能であり、企業のEV導入計画や充電インフラ整備政策に示唆を与える。
In the global GX context
Globally, emissions-aware EV charging aligns with grid decarbonization and cost savings. This open-data framework is replicable in any city with carbon intensity data, supporting policies that couple charging infrastructure with carbon reduction goals. The equity analysis also addresses the growing concern of charging access disparities.
👥 読者別の含意
🔬研究者:The reproducible workflow and predictive model provide a template for emissions-aware charging studies in other regions.
🏢実務担当者:Fleet operators and utilities can use the low-carbon charging windows to reduce both emissions and electricity costs.
🏛政策担当者:Evidence that charging timing policies can cut emissions by 50% supports integrating carbon goals into EV infrastructure planning.
📄 Abstract（原文）
This study presents CleanCharge, a reproducible, open-data workflow for emissions-aware electric vehicle (EV) charging in Melbourne. The study integrates charger locations with hourly grid carbon intensity obtained using application programming interfaces (APIs) to forecast near-term intensity, identify low-carbon charging windows, and assess spatial equity of access. A streamlined gradient-boosting model delivers high predictive accuracy for hourly carbon intensity (about 94% over a seven-day rolling backtest), enabling practical guidance on when to charge. For a representative three-hour session (20 kWh at 7 kW), shifting into forecasted low-carbon windows cuts per-session emissions by up to 6–7 kg CO2 (around 50% relative to worst-case timing). Clean windows also align with lower costs under both retail and wholesale tariffs. Equity analysis indicates broad metropolitan coverage with persistent access gaps in outer suburbs. All datasets and code are openly available, supporting transparency and reuse. The approach is transferable to other cities and provides evidence for policies that couple charging infrastructure planning with carbon reduction and affordability goals.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.1080/15568318.2026.2693676first seen 2026-07-19 04:47:54
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。