Who gains from hourly time‐of‐use retail prices on electricity? An analysis of consumption profiles for categories of Danish electricity customers
Notice bibliographique
Résumé
Studies of the aggregated hourly electricity load in geographical areas typically show a systematic variation over the day, the week, and seasons. With hourly metering of individual customers, data for individual consumption profiles have become available. Looking into these data we show that consumption profiles for specific categories of customers are equally systematic but quite distinct for different categories of customers. That is, different categories of customers contribute quite differently to the aggregated load profile. Coupling consumption profiles with hourly market prices which also include a systematic component in the hourly variation, we show that customers with different consumption profiles experience different average cost of their electricity consumption when billed according to hourly time‐of‐use prices. Thus, some categories of customers stand to gain from time‐of‐use pricing, while others stand to lose. In Denmark, typically industry, private services and households stand to lose, whereas agriculture and public services stand to gain from time‐of‐use pricing. However, differences within categories of customers are considerable and, for example, industrial companies running 24 h a day tend to gain from a time‐of‐use pricing. WIREs Energy Environ 2014, 3:582–593. doi: 10.1002/wene.120 This article is categorized under: Energy Infrastructure > Economics and Policy Energy Policy and Planning > Economics and Policy
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) | 0,001 | 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 ».