Optimization Modeling for Regional Energy System Management Coupled with Energy–Water Nexus and Carbon Emission Reduction: A Case Study
Notice bibliographique
Résumé
Under global climate change and resource crisis, the correlation and restriction between energy, water, and carbon emission are increasingly prominent, which has posed great challenges for the sustainable development of energy systems. This article develops a dual-interval stage-fuzzy credibility-constrained programming model for regional energy system management problems with energy–water nexus (EWN) and carbon emission reduction, in which uncertainties expressed as discrete intervals, probability distributions, and dual-interval fuzzy numbers can be addressed. It can provide a trade-off among economic cost, system risk, and environmental objective. Then, the hybrid programming method is applied to a case of Guangdong Province, China to verify its applicability, where a series of scenarios with respect to water resources and carbon emission constraints are explored and examined. The robust solutions of optimal strategies for electricity generation, capacity expansion, water supply, and carbon capture are investigated and obtained. Results disclose that different scenarios associated with water resource availability and carbon emissions would deeply affect the EWN system planning: (1) Compared with low carbon emission standard, the proportion of renewable power generation under high carbon emission scenario would increase by [1.39, 1.68] %, [1.69, 2.35] %, and [1.49, 1.94] % in periods 1–3, respectively. (2) Scarce water availability scenario would restrict coal-fired power generation and simulate the development of renewable energy. These findings can be useful for decision makers to gain deep insights into energy system management in a sustainable way considering energy structure adjustment, multiple uncertainties, EWN, and carbon emission reduction.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».