Electrifying end-use demands: A rise in capacity and flexibility requirements
Notice bibliographique
Résumé
The electrification of end-uses where consumption patterns are linked to behavior, weather, and technology characteristics is expected to impact grid infrastructure in a variety of ways. One way to limit potential negative consequences of end-use electrification on grid infrastructure is through utilization of demand-side management strategies. Previous work has yet to address the simultaneous impact of electrifying building heating and cooling, and road transportation on capacity and the resulting flexibility requirements for the electrical grid. In this paper, two high-resolution models are combined to generate regional demand profiles for building heating, space cooling, passenger vehicles, and commercial road transportation. End-use energy demand profiles are generated for key sub-sectors, with 15-minute resolution, simulating large-scale end-use electrification by 2050 in British Columbia, Canada. Results show that simultaneous electrification in the building and road transportation sectors increases capacity and flexibility requirements by 93% and 320%, respectively. A synergy of demand-side measures limits the increase in capacity and flexibility requirements to 74% and 82%, respectively. Temporal resolution of demand models is critical in the determination of flexibility requirements as maximum positive ramping rates increase by 520% when changing from an hourly to a 15-minute resolution. • Ten individual building and transportation end-use demands are projected for 2050. • Electricity demand profiles are generated in 15-minute resolution. • Impact of EV charging and space heating control on load profiles is analyzed. • The timing and magnitude of peak electricity demands changes significantly. • Grid flexibility requirements are driven by electrification of commercial vehicles.
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 ».