MétaCan
Menu
Retour à la cohorte
Enregistrement W3107911358 · doi:10.3390/su122310053

Genetic Algorithm for Energy Commitment in a Power System Supplied by Multiple Energy Carriers

2020· article· en· W3107911358 sur OpenAlexaff
Mohammad Dehghani, Mohammad Mardaneh, O.P. Malik, Josep M. Guerrero, Carlos Sotelo, David Sotelo, Morteza Nazari‐Heris, Kamal Al‐Haddad, Ricardo A. Ramírez-Mendoza

Notice bibliographique

RevueSustainability · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueIntegrated Energy Systems Optimization
Établissements canadiensUniversité du Québec à MontréalÉcole de Technologie SupérieureUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésEnergy carrierEnergy consumptionEnergy accountingEnergy supplyEnergy managementEnergy (signal processing)Energy engineeringComputer scienceEnergy storageEnergy management systemEfficient energy useEnvironmental economicsMathematical optimizationPower (physics)ElectricityEngineeringElectrical engineeringMathematicsEconomics

Résumé

récupéré en direct d'OpenAlex

In recent years, energy consumption has notably been increasing. This poses a challenge to the power grid operators due to the management and control of the energy supply and consumption. Here, energy commitment is an index criterion useful to specify the quality level and the development of human life. Henceforth, continuity of long-term access to resources and energy delivery requires an appropriate methodology that must consider energy scheduling such as an economic and strategic priority, in which primary energy carriers play an important role. The integrated energy networks such as power and gas systems lead the possibility to minimize the operating costs; this is based on the conversion of energy from one form to another and considering the starting energy in various types. Therefore, the studies toward multi-carrier energy systems are growing up taking into account the interconnection among various energy carriers and the penetration of energy storage technologies in such systems. In this paper, using dynamic programming and genetic algorithm, the energy commitment of an energy network that includes gas and electrical energy is carried out. The studied multi-carrier energy system has considered defending parties including transportation, industrial and agriculture sectors, residential, commercial, and industrial consumers. The proposed study is mathematically modeled and implemented on an energy grid with four power plants and different energy consumption sectors for a 24-h energy study period. In this simulation, an appropriate pattern of using energy carriers to supply energy demand is determined. Simulation results and analysis show that energy carriers can be used efficiently using the proposed energy commitment method.

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 enseignants0,015
Score d'incertitude au seuil0,030

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,003
Tête enseignante GPT0,180
Écart entre enseignants0,177 · 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

Citations28
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetIntegrated Energy Systems OptimizationTravaux en français237 207