A Compendium of Performance Metrics, Pricing Schemes, Optimization Objectives, and Solution Methodologies of Demand Side Management for the Smart Grid
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The curtailing of consumers’ peak hours demands and filling the gap caused by the mismatch between generation and utilization in power systems is a challenging task and also a very hot topic in the current research era. Researchers of the conventional power grid in the traditional power setup are confronting difficulties to figure out the above problem. Smart grid technology can handle these issues efficiently. In the smart grid, consumer demand can be efficiently managed and handled by employing demand-side management (DSM) algorithms. In general, DSM is an important element of smart grid technology. It can shape the consumers’ electricity demand curve according to the given load curve provided by the utilities/supplier. In this survey, we focused on DSM and potential applications of DSM in the smart grid. The review in this paper focuses on the research done over the last decade, to discuss the key concepts of DSM schemes employed for consumers’ demand management. We review DSM schemes under various categories, i.e., direct load reduction, load scheduling, DSM based on various pricing schemes, DSM based on optimization types, DSM based on various solution approaches, and home energy management based DSM. A comprehensive review of DSM performance metrics, optimization objectives, and solution methodologies is’ also provided in this survey. The role of distributed renewable energy resources (DERs) in achieving the optimization objectives and performance metrics is also revealed. The unpredictable nature of DERs and their impact on DSM are also exposed. The motivation of this paper is to contribute by providing a better understanding of DSM and the usage of DERs that can satisfy consumers’ electricity demand with efficient scheduling to achieve the performance metrics and optimization objectives.
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.
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 | 0,001 | 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 découle