Fuzzy Optimization Model of an Incremental Capacity Auction Formulation with GHG Consideration
Notice bibliographique
Résumé
An incremental capacity auction (ICA) is a mechanism to procure future generation capacity in a power system. Greenhouse gas (GHG) emissions from generators negatively affect our climate and there is a real need to reduce them. Thus, it is critically important for ICA models to procure future generation capacity that reduces GHG emissions. In this thesis, we propose two ICA models incorporating energy-limited generation (renewables and storage) and a GHG emission constraint. All offers are converted into unforced capacity, negating any effect of energy limitations of generation offers. The first ICA model uses classical optimization and considers GHG emission limits and maximizes social welfare (SW). The second ICA model uses a fuzzy optimization technique to simultaneously optimize the objectives of SW maximization and GHG emission minimization. Both ICA models are tested on two datasets, a 10 and 338 capacity supply offer case which are constructed using Ontario data. While both models control GHG emissions as desired, the ICA model with fuzzy optimization is shown to find a better balance between maximizing net SW and minimizing GHG emissions. This is seen by the superior reductions in GHG emissions ranging from 33.36% up to 484.8% at the expense of minor decreases in SW ranging from 0.745% to 6.98%. Results demonstrate how GHG emission reduction results in increased selection of low carbon generation.
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 | 0,000 | 0,001 |
| Communication savante | 0,002 | 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) | 0,007 | 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 ».