MétaCan
Menu
Retour à la cohorte
Enregistrement W2119663907 · doi:10.1287/msom.1120.0386

Seasonal Energy Storage Operations with Limited Flexibility: The Price-Adjusted Rolling Intrinsic Policy

2012· article· en· W2119663907 sur OpenAlexaff
Owen Q. Wu, Derek Wang, Zhenwei Qin

Notice bibliographique

RevueManufacturing & Service Operations Management · 2012
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCapital Investment and Risk Analysis
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésLeverage (statistics)Flexibility (engineering)HeuristicValue (mathematics)EconomicsMicroeconomicsMathematical optimizationComputer scienceEconometricsOperations researchMathematics

Résumé

récupéré en direct d'OpenAlex

The value of seasonal energy storage depends on how the firm operates storage to capture seasonal price spreads. Energy storage operations typically face limited operational flexibility characterized by the speed of storing and releasing energy, which makes the optimal policy, in general, difficult to compute. A widely used practice-based heuristic, the rolling intrinsic (RI) policy, generally performs well compared with an optimal policy but can significantly underperform in some cases. In this paper, we aim to understand the gap between the RI policy and the optimal policy and leverage the resulting insights to improve the RI policy. A new heuristic policy, the price-adjusted rolling intrinsic (PARI) policy, is developed based on theoretical analysis of storage options. This heuristic adjusts certain prices before applying the RI policy to provide the RI policy with estimates of the values of various storage options. We evaluate the performance of the RI and PARI polices using actual data from the natural gas industry. Our results show that, on average, the PARI policy recovers about 67% of the value loss of the RI policy. Furthermore, when the value loss of the RI policy is larger, the PARI policy tends to recover a higher fraction of that value loss.

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)0,003
score de la tête « metaresearch » (Gemma)0,014
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: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,014
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,030
Tête enseignante GPT0,221
Écart entre enseignants0,192 · 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

Citations63
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManufacturing & Service Operations ManagementMême sujetCapital Investment and Risk AnalysisTravaux en français237 207