Conçu par des chercheurs et des ingénieurs qui comprennent le fonctionnement réel des flottes. Nextdriv traduit trajets, horaires, tarifs, contraintes des véhicules et limites du réseau en décisions d'électrification et de recharge défendables.
Notre équipe
Direction
Cofondateur et responsable de la recherche
Jônatas Manzolli est ingénieur et chercheur en optimisation de flottes électriques, en infrastructures de recharge et en exploitation adaptée aux batteries.
LinkedIn ↗
Cofondateur et conseiller scientifique
Luis Miranda-Moreno est professeur à l'Université McGill, avec plus de 15 ans d'expérience en mobilité durable et en technologies de transport émergentes.
LinkedIn ↗Produit et ingénierie
Ingénieur logiciel et optimisation
Kaan Gün est ingénieur spécialisé en intelligence artificielle, systèmes énergétiques et cybersécurité, avec une maîtrise en génie électrique de McGill.
LinkedIn ↗
Associée, affaires et stratégie
Yanxin Li est étudiante à la maîtrise en gestion analytique à l'Université McGill (Desautels), avec une formation en finance, communications et stratégie.
LinkedIn ↗
Développeuse full-stack
Sarah Matmati est étudiante en 4e année en informatique et IA à McGill, passionnée par le back-end, Java/Spring Boot et les systèmes axés sur les données.
LinkedIn ↗Notre mission
Notre mission est de donner aux exploitants de flottes les preuves et les outils nécessaires pour électrifier de façon fiable, maîtriser les coûts et prendre de meilleures décisions d'infrastructure sur toute la durée de vie de leurs actifs.
Recherche et développement
Nous permettons aux opérateurs d'atteindre l'efficacité, de réduire les coûts et de réduire l'impact environnemental.
Journal : IEEE Access
Couple un modèle de consommation énergétique par simulation à des horaires de recharge optimisés pour les flottes de bus électriques.
Journal : Energy
Une stratégie de recharge coordonnée qui met en balance les revenus véhicule-réseau (V2G) et la dégradation des batteries.
Journal : Applied Energy
Un cadre d'optimisation conciliant santé des batteries, tarifs horodifférenciés et consommation d'énergie dans la recharge quotidienne.
Journal : IEEE Access
Une stratégie de recharge fondée sur un modèle semi-empirique de dégradation des batteries, tenant compte des conditions météorologiques.
Étude de cas · Planification en climat froid
Une étude de cas à Québec a intégré simulation de trafic multi-agents, modélisation énergétique physique et optimisation de la recharge sur 52 lignes de bus et 1 947 trajets évalués. La recharge rapide réduit l'investissement initial mais crée des pointes d'environ 20 MW; la recharge lente réduit le TCO modélisé sur 10 ans de 7 % et facilite l'intégration au réseau.
Hausse de la demande énergétique modélisée en conditions hivernales.
Flotte plus grande requise pour un service hivernal fiable.
Bornes supplémentaires requises en conditions froides.
Coût total de possession plus bas avec la recharge lente vs rapide.
Apportez un trajet, un dépôt ou l'ensemble de votre réseau. En 30 minutes, nous vous montrons ce que donne une planification d'électrification fondée sur des données réelles.
Demander une évaluation de flotte →