Comparison between Blockchain P2P Energy Trading and Conventional Incentive Mechanisms for Distributed Energy Resources—A Rural Microgrid Use Case Study
Notice bibliographique
Résumé
Peer-to-Peer (P2P) energy trading is a new financial mechanism that can be adopted to incentivize the development of distributed energy resources (DERs), by promoting the selling of excess energy to other peers on the network at a negotiated rate. Current incentive programs, such as net metering (NEM) and Feed-in-Tariff (FiT), operate according to a centralized policy framework, where energy is only traded with the utility, the state-owned grid authority, the service provider, or the power generation/distribution company, who also have the upper hand in deciding on the rates for buying the excess energy. This study presents a comparative analysis of three energy trading mechanisms, P2P energy trading, NEM, and FiT, within a rural microgrid consisting of two prosumers and four consumers. The microgrid serves as a practical testbed for evaluating the economic impacts of these mechanisms, through simulations considering various factors such as energy demand, production variability, and energy rates, and using key metrics such as economic savings, annual energy bill, and wasted excess energy. Results indicate that while net metering and FiT offer stable financial returns for prosumers, P2P trading demonstrates superior flexibility and potentially higher economic benefits for both prosumers and consumers by aligning energy trading with real-time market conditions. The findings offer valuable insights for policymakers and stakeholders seeking to optimize rural energy systems through innovative trading mechanisms.
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 | 0,001 |
| 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 ».