MétaCan
Menu
Retour à la cohorte
Enregistrement W2784711493 · doi:10.1021/acs.iecr.7b04800

Multiobjective Integrated Planning and Scheduling of the Energy Infrastructure of the Oil Sands Industry Incorporating Intermittent Renewable Energy

2018· article· en· W2784711493 sur OpenAlexafffundabout
Mohamed Elsholkami, Ali Elkamel

Notice bibliographique

RevueIndustrial & Engineering Chemistry Research · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueProcess Optimization and Integration
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésRenewable energyPower to gasWind powerGridComputer scienceEnergy storageGreenhouse gasInteger programmingScheduling (production processes)Process engineeringMathematical optimizationEnvironmental sciencePower (physics)EngineeringElectrical engineeringAlgorithmMathematics

Résumé

récupéré en direct d'OpenAlex

The energy infrastructure for oil sands operations can be classified as a decentralized energy system, in which energy requirements (i.e., power, heat and hydrogen) are generated near the end-users, and can operate with interactions with the local Alberta grid, in which it feeds surplus power generated to it. In this study, a mathematical optimization model is developed for the integrated planning and scheduling of the energy infrastructure of the oil sands industry. The contributions of various energy sources including conventional, renewables, and nuclear are investigated. Power-to-gas for energy storage is incorporated to manage surplus power generated from intermittent renewable energy sources, particularly wind. The wind-electrolysis system included incorporates two hydrogen recovery pathways, which are power-to-gas and power-to-gas-to-power using natural gas generators. The problem is modeled as a multiobjective and multiperiod mixed integer linear programming model that minimizes the system cost (energy production and storage), grid cost, and total greenhouse gas emissions. In addition to including the grid cost and emissions in the objective function, grid-interaction is incorporated in the optimization model through the unit commitment operations of the existing power generation units of the grid. The proposed model is designed to evaluate the optimal operation and sizing of the energy producers and the energy storage system as well as the interactions between them. The epsilon constraint method is used to solve the multiobjective aspect of the proposed model. To illustrate its applicability, the model is applied to a case study based on the oil sands industry in Alberta for the integrated planning and scheduling of its energy infrastructure for the year 2017.

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)0,001
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 enseignants0,025
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

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

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 GPT0,271
Écart entre enseignants0,244 · 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

Citations2
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueIndustrial & Engineering Chemistry ResearchMême sujetProcess Optimization and IntegrationTravaux en français237 207