Loistehon kompensoinnin teknis-taloudellinen kehittäminen siirto- ja jakeluverkoissa
Bibliographic record
Abstract
Loistehon tuotanto on Suomen sähköverkossa lisääntynyt viime vuosina merkittävästi, jonka seurauksena kantaverkon loistehon kompensointikapasiteetti on hetkittäin täydellä käyttöasteella. Kantaverkon kompensointilaitteiden tarkoitus on kompensoida sen oman verkon tyhjäkäynnistä syntyvää loistehoa, mutta viime aikoina on ollut havaittavissa tarvetta kompensoida myös jakeluverkkoyhtiöiden tuottamaa loistehoa kantaverkon puolella. Tämän seurauksena kantaverkkoyhtiö Fingrid uusi loistehotariffinsa, jotka tulevat voimaan vaiheittain 2017 – 2019 välisenä aikana. Tämän työn tarkoituksena on tutkia erilaisia vaihtoehtoja ja tapoja toteuttaa loistehon kompensointia koko sähköverkko huomioiden. \n \nTyön pohjalle rakennettiin kuvitteellinen sähköverkkomalli, johon kuvattiin tuotantoa ja kulutusta kaikille jännitetasoille. Verkkomallissa on elementtejä Suomen sähköverkosta, mutta se ei suoraan vastaa mitään olemassa olevaa verkkoa ja se on hyvin pelkistetty. Työssä tutkittiin verkon muutoksia ja kompensointilaitteiden vaikutusta perustilanteen ja viiden erilaisen skenaarion kautta. Skenaariossa huomioitiin mm. kaapelointiasteen nousu, hajautetun tuotannon lisääntyminen, sähköautojen lisääntyminen, asiakaskäyttäytymisen muutos ja kompensoinnin toteuttaminen hajautetusti. Taloudellisissa laskelmissa arvioitiin kompensointilaitteiden investointien kannattavuutta ja takaisinmaksuaikoja. \n \nTyön tuloksissa havaittiin, että kompensointilaitteiden investointi tuli useimmissa tilanteissa kannattavaksi. Merkittävä havainto oli, että kompensointilaitteiden ja voimalaitosten jännitteensäädön koordinoimaton käyttö saattaa johtaa epäedullisiin ja voi pahimmassa tapauksessa mitätöidä kompensointilaitteen vaikutuksen. Jännitteen asetusarvolla oli merkitystä myös, kun hajautettua tuotantoa oli asetettu osallistumaan verkon jännitteensäätöön. Loistehotariffeiden todettiin ohjaavaan verkon käyttöä oikeaan suuntaan ja kannustavan verkkoyhtiöiden etsimään ratkaisuja loistehon annon vähentämiseen.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 0.016 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".