Multi-Period Optimization Model for Electricity Generation Planning Considering Plug-in Hybrid Electric Vehicle Penetration
Notice bibliographique
Résumé
One of the main challenges for widespread penetration of plug-in hybrid electric vehicles (PHEVs) is their impact on the electricity grid. The energy sector must anticipate and prepare for this extra demand and implement long-term planning for electricity production. In this paper, the additional electricity demand on the Ontario electricity grid from charging PHEVs is incorporated into an electricity production planning model. A case study pertaining to Ontario energy planning is considered to optimize the value of the cost of the electricity over sixteen years (2014–2030). The objective function consists of the fuel costs, fixed and variable operating and maintenance costs, capital costs for new power plants, and the retrofit costs of existing power plants. Five different case studies are performed with different PHEVs penetration rates, types of new power plants, and CO2 emission constraints. Among all the cases studied, the one requiring the most new capacity, (~8748 MW), is assuming the base case with 6% reduction in CO2 in year 2018 and high PHEV penetration. The next highest one is the base case, plus considering doubled NG prices, PHEV medium penetration rate and no CO2 emissions reduction target with an increase of 34.78% in the total installed capacity in 2030. Furthermore, optimization results indicate that by not utilizing coal power stations the CO2 emissions are the lowest: ~500 tonnes compared to ~900 tonnes when coal is permitted.
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) | 0,000 | 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 ».