MétaCan
Menu
Retour à la cohorte
Enregistrement W4378906501 · doi:10.3390/en16114443

Integrated Demand Response Programs in Energy Hubs: A Review of Applications, Classifications, Models and Future Directions

2023· review· en· W4378906501 sur OpenAlexafffund
Innocent Kamwa, Leila Bagherzadeh, Atieh Delavari

Notice bibliographique

RevueEnergies · 2023
Typereview
Langueen
DomaineEngineering
ThématiqueSmart Grid Energy Management
Établissements canadiensHydro-QuébecUniversité Laval
Organismes subventionnairesUniversité Laval
Mots-clésDemand responseRenewable energyEnvironmental economicsElectricityGreenhouse gasComputer scienceElectric power systemEnergy consumptionEngineeringPower (physics)Electrical engineeringEconomics

Résumé

récupéré en direct d'OpenAlex

In the traditional power system, customers respond to their primary electricity consumption pattern based on price or incentive to take additional advantages. By developing energy hubs (EHs) where electricity, heat, natural gas and other forms of energy are coupled together, all types of energy customers, even the inelastic loads, can participate in the demand response (DR) program. This novel vision has led to the concept of “integrated demand response (IDR)”. IDR programs (IDRPs) in EHs involve coordinating multiple DR activities across different energy systems, such as buildings, industrial complexes and transportation networks. The main purpose of IDR is so that multi-energy users can respond not only by shifting or reducing their energy consumption from the demand side, but also by changing the type of energy consumed in response to the dispatching center. The integration of IDRPs in EHs can help to reduce energy costs, improve grid stability and increase the penetration of renewable energy sources (RES) in the power system. Moreover, by synchronizing DR activities across different energy systems, IDRPs can provide additional benefits, such as improved energy efficiency, reduced greenhouse gas emissions and increased resilience to power outages and other disruptions. In this paper, we provide an overview of the IDRP across EH areas, encompassing different aspects of it. First, the nature behind IDRP and its basic concept is introduced. Then, a categorization of fundamental principles within the IDRP is undertaken. Furthermore, modelling formulation and optimization techniques of IDRP in EHs are conducted. In addition to the IDRP content and model, this article deals with the research performed in this field from different perspectives. Finally, the advantages and prospect challenges of IDRPs are discussed.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0020,005
Études des sciences et des technologies0,0000,001
Communication savante0,0030,004
Science ouverte0,0020,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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 Opus0,058
Tête enseignante GPT0,285
Écart entre enseignants0,227 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetSmart Grid Energy ManagementTravaux en français237 207