The demand side response potential in different electricity consumption groups
Bibliographic record
Abstract
Energiamurroksen sekä geopoliittisen tilanteen takia Suomen sähköjärjestelmä on kohtaamassa uudenlaisia haasteita. Sähköntuotannon joustavuuden väheneminen vaatii sähköjärjestelmän tasapainon ylläpitämiseksi joustoa muista lähteistä. Näistä lähteistä yksi on kysynnän jousto. Kysynnän jouston kehittämiseksi on kuitenkin tärkeää tietää nykyinen potentiaali. Suomessa sähkönkuluttajat voidaan jakaa kolmeen ryhmään: teollisuus, kotitaloudet sekä palvelut ja julkinen sektori. Kysynnän jouston keinot ja sähkönkulutustottumukset vaihtelevat sähkönkäyttäjäryhmien välillä, joten on mielekästä tutkia niiden potentiaalia erillään toisistaan. Lisäksi diplomityössä esitellään Suomen sähkömarkkinat, kysynnän jouston perusteet sekä sähkönkäyttäjäryhmien mahdollisuudet kysynnän joustolle. Sähkönkäyttäjäryhmien kysynnän jouston potentiaalia on tässä diplomityössä tutkittu vain Suomen osalta ja kysynnän joustossa keskitytään sähkön kysynnän joustoon. Diplomityö on suoritettu kirjallisuuskatsauksena ja kysynnän jouston potentiaalien tutkimuksen lähteinä on käytetty aiempia eri sähkönkäyttäjäryhmien potentiaalia tutkivia artikkeleita. Muuten diplomityössä on käytetty artikkeleita, kirjoja, tilastoja sekä verkkoaineistoa. Suomen sähköjärjestelmässä joustoa löytyy kysynnän joustoa eri sähkönkäyttäjäryhmistä hyvin. Asumissektorilta löytyy noin 1800 - 1900 MW kysynnän jouston potentiaali. Teollisuussektorilla potentiaalia on noin 1360 MW. Palvelut ja julkisen sektorin potentiaali tuottaa järjestelmään noin 1250 - 1500 M W kysynnän joustoa. Yhteensä Suomessa on siis noin 4410 - 4760 M W kysynnän jouston potentiaalia. Kysynnän joustoa on tämän tutkimuksen perusteella tarpeeksi Suomen tämänhetkisiin tarpeisiin, mutta tarkempia tutkimuksia aiheesta olisi hyvä tehdä, jotta tuloksista saisi tarkempia ja varmempia.
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 | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 0.023 |
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".