Hydropower Reservoir Optimization with Solar Generation-Changed Energy Prices in California
Notice bibliographique
Résumé
Abstract Growing solar photovoltaic supply has significantly reshaped energy prices, lowering them during solar generating hours. Large-scale hydropower reservoir operations need to adapt to changes in energy prices to maximize hydropower revenue. This paper evaluates effects of solar generation-changed energy prices on hydropower generation for five multipurpose reservoirs in California using a hydroeconomic optimization model. In California, major solar generation began in 2013, so years 2010–2012 are a pre-solar period, and years 2013–2018 are post-solar. Reservoir operations, hydropower generation and revenue between these periods are compared. Operations in the wet season (January to June), and the dry season (July to December) are evaluated. Results show that releases are more profitable when hydropower is generated twice a day during on-peak hours in the morning and evening in the wet season. When water is scarce, energy is generated only during the higher-price evening peak. Hydropower generation is mostly curtailed between 10am and 6pm due to large solar supplies, and increase during morning and evening peaks when solar generation is unavailable. However, by optimizing hydropower scheduling hours, the new energy price pattern can be more profitable. With increased energy price variability and adaptation, overall daily revenue can increase by about 14% in the wet season and 30% in the dry season.
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 | 0,001 | 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 ».