An EROI-based analysis of renewable energy farms with storage
Notice bibliographique
Résumé
Large renewable energy (RE) farms, such as wind or solar farms are usually sited in remote areas, far from the transmission grid which typically interconnects population centers. Thus, they need to be connected on expensive access lines (distribution feeders) with limited capacity. The excess of RE generation over line capacity is wasted; this is called curtailment. We study curtailment using the metric of energy return on investment (EROI), defined as the ratio of useful energy extracted from each unit of energy invested in creating the renewable energy generation system. Curtailment reduces EROI. It may appear that we can extract more energy from an RE farm and increase EROI by adding storage to the system, where this storage is charged during generation peaks and discharged during off-peak times. However, manufacturing the storage requires an energy investment, and, after a certain number of cycles of usage, the storage becomes non-functional. Thus, adding storage may actually decrease the EROI. In this work, we study the EROI for RE farms when used with several types of storage technologies. Unlike prior work that makes numerous simplifying assumptions, our work accounts for storage size and storage imperfections and uses actual traces of renewable power generation. We find that lithium-ion batteries increase the EROI of both wind and solar farms, unlike lead-acid batteries which generally decrease their EROI. We also show that increasing access line capacity to achieve a target EROI is much more expensive for solar farms than for wind farms.
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 | 0,001 | 0,002 |
| 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) | 0,001 | 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 ».