Development of data-driven insights using energy system models: A systematic scoping review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The prevalence of “What-if” scenario analyses has limited the types of insights that can be produced with energy system models, resulting in insufficient exploration of uncertainty and pathway diversity in the integrated energy system design space. Today, novel data science methods allow modellers to develop valuable insights from complex high-dimensional datasets; this form of analysis is appropriate for the complex questions increasingly posed by stakeholders. However, these methods have yet to be widely adopted, likely due to visibility challenges and perceived high computational cost of producing large results datasets. Identifying and systematizing the extant methods and the resources they require is necessary to promote their adoption. We conducted a systematic scoping review of studies that conduct a data-driven analysis of energy system model outputs. We identified 62 papers that met the inclusion criteria. Of the included manuscripts, there was substantial heterogeneity in modelling framework, analysis approach, and resource requirement, but the breadth of related subdomains indicates a growing role for data scientists in evaluating energy futures. We identified three major application areas: exploration of configurations and trade-offs, distribution of key outcomes under uncertainty, and advancement of modelling methodologies. Finally, we proposed a framework for scoping future data-driven analyses, including the potential role of surrogate models for reducing the computational requirement of high solution volume analyses. Inconsistent reporting practices still weaken the current body of literature; however, standardized reporting and further experimentation will enhance the utility of data-driven analyses, ultimately providing relevant and timely insights to stakeholders.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle