MétaCan
Menu
Retour à la cohorte
Enregistrement W3124267756

Compressed air energy storage with waste heat export: An Alberta case study

2014· preprint· en· W3124267756 sur OpenAlexaboutno aff
Hossein Safaei, David W. Keith

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2014
Typepreprint
Langueen
DomaineEngineering
ThématiqueThermodynamic and Exergetic Analyses of Power and Cooling Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCompressed air energy storageGas compressorCompressed airEnvironmental scienceRevenuePumped-storage hydroelectricitySpillageRenewable energyWaste managementEnergy storageEngineeringBusinessMechanical engineeringElectrical engineeringFinanceDistributed generation
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Interest in compressed air energy storage (CAES) technology has been renewed driven by the need to manage variability form rapidly growing wind and solar capacity. Distributed CAES (D-CAES) design aims to improve the efficiency of conventional CAES through locating the compressor near concentrated heating loads so capturing additional revenue through sales of compression waste heat. A pipeline transports compressed air to the storage facility and expander, co-located at some distance from the compressor. The economics of CAES are strongly dependant on electricity and gas markets in which they are embedded. As a case study, we evaluated the economics of two hypothetical merchant CAES and D-CAES facilities performing energy arbitrage in Alberta, Canada using market data from 2002 to 2011. The annual profit of the D-CAES plant was $1.3 million more on average at a distance of 50 km between the heat load and air storage sites. Superior economic and environmental performance of D-CAES led to a negative abatement cost of −$40/tCO2e. We performed a suite of sensitivity analyses to evaluate the impact of size of heat load, size of air storage, ratio of expander to compressor size, and length of pipeline on the economic feasibility of D-CAES.

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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,197
Score d'incertitude au seuil0,395

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,015
Tête enseignante GPT0,262
Écart entre enseignants0,248 · 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'étudeObservationnel
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

Citations1
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetThermodynamic and Exergetic Analyses of Power and Cooling SystemsTravaux en français237 207