MétaCan
Menu
Retour à la cohorte
Enregistrement W2077953185 · doi:10.3763/cpol.2007.0425

Economic costs of managing of an electricity grid with increasing wind power penetration

2009· article· en· W2077953185 sur OpenAlexafffundabout
Ryan Prescott, G. Cornelis van Kooten

Notice bibliographique

RevueClimate Policy · 2009
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensUniversity of Victoria
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésCarbon taxWind powerNatural resource economicsCoalFossil fuelNatural gasGreenhouse gasEconomicsElectricityFlexibility (engineering)Extant taxonEnvironmental scienceGridEnergy mixNatural gas pricesEnvironmental economicsElectricity generationCapital costBusinessPower (physics)Waste managementEngineeringEcology

Résumé

récupéré en direct d'OpenAlex

We examine the impact of policy choices, including a carbon tax, on the optimal allocation of power across different generation sources and on future investments in generating facilities. The main focus is on the Alberta power grid, as it is heavily dependent on fossil fuels and has only limited ties to other power grids, although the model could be extended to larger (and even multiple) grids. The results indicate that, as wind penetrates the extant generating mix characterizing the grid, cost savings and emission reductions do not decline linearly but at a decreasing rate. However, if flexibility is allowed, then, as the carbon tax increases to C$40/tCO2 or above, existing coal plants start to be replaced by newly constructed wind farms and natural gas plants. If coal can be completely eliminated from the energy mix and replaced by natural gas and wind, substantial savings of 31.03 Mt CO2 (58% of total emissions) can result. However, this only occurs for carbon taxes of over C$170/tCO2. The associated high capital costs of new generating facilities may thus not be an ideal use of funds for addressing climate change.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,052
Score d'incertitude au seuil0,103

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,261
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2009
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueClimate PolicyMême sujetClimate Change Policy and EconomicsTravaux en français237 207