Dynamic investment planning of CVR implementation considering PEVs’ reactive power compensation capability
Notice bibliographique
Résumé
Abstract Conservation voltage reduction (CVR) is a strategy that tries to save energy consumption by managing consumers’ voltage. On the other hand, enhancing reactive power compensation in the power system gives rise to CVR implementation more effectively. This paper addresses how the power system planner could encourage investment to establish the above‐mentioned topics. Here, a model for encouraging industrial loads to dynamically invest in implementing the CVR strategy over the planning horizon is presented. To make CVR implementation more efficient, investment in upgrading plug‐in electric vehicles (PEVs) chargers to be utilized as reactive power compensators is also considered. Industrial loads benefit from saving in their electricity bills and incentive payments that might be paid by utilities (if necessary). The objective function of the proposed planning model is to maximize the energy‐saving of industrial loads and to minimize incentive payment by electric utilities over the planning horizon. This objective is achieved subject to that the investment plan is economically feasible. Moreover, power system operation constraints in the planning horizon based on AC power flow equations and voltage‐dependent load models are considered. The proposed planning problem is modelled as a non‐linear optimization problem that can be solved by off‐the‐shelf software, for example, GAMS. The proposed model is applied to the Ontario transmission system. The numerical results show the proposed model's effectiveness in designing an investment plan for industrial loads to implement the CVR strategy and upgrade PEVs’ chargers.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».