Two-stage vertex analysis method for planning electric power systems with greenhouse gas abatement consideration
Notice bibliographique
Résumé
This study presents a two-stage vertex analysis (TSVA) method for the planning of electric power systems (EPS) under uncertainty. TSVA has advantages in comparison to other optimization techniques. Firstly, TSVA can incorporate greenhouse gas (GHG) abatement policies directly into its optimization process, and, secondly, it can readily integrate inherent system uncertainties expressed as fuzzy sets and probability distributions directly into its modeling formulation and solution procedure. The TSVA method is applied to a case study of planning EPS and it is demonstrated how the TSVA efficiently identify optimal electricity-generation schemes that could help to minimize system cost under different GHG-abatement considerations. Different combinative considerations on the uncertain inputs lead to varied system costs and GHG emissions. Results reveal that the total electricity supply will rise up along with the time period due to the increasing demand and, at the same time, more non-fossil fuels should be used to satisfy the increasing requirement for GHG mitigation. Moreover, uncertainties in connection with complexities in terms of information quality (e.g., capacity, efficiency, and demand) result in changed electricity-generation patterns, GHG-abatement amounts, as well as system costs. Minimax regret (MMR) analysis technique is employed to identify desired alternative that reflects compromises between system cost and system-failure risk.
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 | 0,001 | 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 ».