MétaCan
Menu
Retour à la cohorte
Enregistrement W3030829271 · doi:10.1109/tste.2020.2998408

A Fast Flexibility-Driven Generation Portfolio Planning Method for Sustainable Power Systems

2020· article· en· W3030829271 sur OpenAlexafffund
Navdeep Dhaliwal, François Bouffard, Mark O’Malley

Notice bibliographique

RevueIEEE Transactions on Sustainable Energy · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric Power System Optimization
Établissements canadiensMcGill UniversityGroup for Research in Decision Analysis
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésDispatchable generationVariable renewable energyFlexibility (engineering)Renewable energyPortfolioComputer scienceReliability engineeringElectric power systemExploitElectricity generationVariable (mathematics)Mathematical optimizationIndustrial engineeringEngineeringPower (physics)Distributed generationEconomicsElectrical engineering

Résumé

récupéré en direct d'OpenAlex

We are witnessing an acceleration in the uptake of renewable energy in power systems. Because of the associated variability and uncertainty of renewables, power systems need to have an adequate supply of flexibility to allow for suitable management of short-term operations. So far most of the work in this area has neglected how flexibility needs associated with renewables are fulfilled as part of dispatchable generation capital investments decisions. To address this challenge, we propose an approach to plan the dispatchable generation mix of a power system as needed to counteract variability and uncertainty associated with significant shares of variable renewable generation. The approach exploits the linear time-invariant feature of variable generation variability using historical phase planes of capacity (in MW) and ramp (in MW/min) to bridge the gap between long-term capacity planning and short-term intra-hour flexibility needs. This approach is much more computationally tractable than other proposals, while also being able to capture adequately short-term operational features like ramping and net load variability. Numerical tests are performed on realistic datasets to substantiate the effectiveness of the approach.

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)0,002
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 enseignants0,005
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,017
Tête enseignante GPT0,249
Écart entre enseignants0,232 · 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

Citations27
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Sustainable EnergyMême sujetElectric Power System OptimizationTravaux en français237 207