• Energy Research

Abstract Distributionally robust optimization (DRO) is an emerging and effective method to address the inexactness of probability distributions of uncertain parameters in decision-making under uncertainty. We propose an effective DRO framework for planning and scheduling under demand uncertainties. A novel data-driven approach is proposed to construct ambiguity sets based on principal component analysis and first-order deviation functions, which help excavating accurate and useful information from uncertainty data. Moreover, it leads to mixed-integer linear reformulations of planning and scheduling problems. To account for the multi-stage sequential decision-making structure in process operations, we further develop multi-stage DRO models and adopt affine decision rules to address the computational issue. Applications in industrial-scale process network planning and batch process scheduling demonstrate that, the proposed DRO approach can effectively leverage uncertainty data information, better hedge against distributional ambiguity, and yield more profits.

Metaverse sector growth supports energy conservation, boosts renewable energy penetration, lessens fossil fuel dependency, and reduces anthropogenic emissions, such as greenhouse gases and aerosol precursors, thereby aiding climate change mitigation.

This study examines prominent thermochemical conversion technologies, such as slow pyrolysis, fast pyrolysis, gasification and hydrothermal liquefaction, for treating poultry litter in New York Sta...

Proporcionar estimaciones precisas del rendimiento de los cultivos a grandes escalas espaciales y comprender las pérdidas de rendimiento bajo un estrés climático extremo es un desafío urgente para mantener la seguridad alimentaria mundial. Si bien el enfoque de aprendizaje profundo basado en datos ha demostrado una gran capacidad para predecir patrones de rendimiento, su capacidad para detectar y atribuir los impactos de los extremos climáticos en los rendimientos sigue siendo desconocida. En este estudio, desarrollamos un marco de aprendizaje multitarea basado en redes neuronales profundas para estimar las variaciones del rendimiento del maíz a nivel de condado en el Cinturón del Maíz de EE. UU. de 2006 a 2018, con un enfoque especial en la pérdida extrema de rendimiento en 2012. Encontramos que nuestro modelo de aprendizaje profundo reflejó las variaciones de rendimiento con buena precisión para 2006-2018 (R2 = 0,81) y reprodujo bien las anomalías extremas de rendimiento en 2012 (R2 = 0,79). Un análisis de atribución adicional indicó que el estrés térmico extremo fue la principal causa de pérdida de rendimiento, contribuyendo al 72.5% de la pérdida de rendimiento, seguido de anomalías en el déficit de presión de vapor (17.6%) y la precipitación (10.8%). Nuestro modelo de aprendizaje profundo también pudo estimar el impacto acumulado de los factores climáticos en el rendimiento del maíz e identificar que la fase de sedación fue la etapa más crítica que dio forma a la respuesta del rendimiento al estrés climático extremo en 2012. Nuestros resultados proporcionan un nuevo marco de aprendizaje profundo espacio-temporal para evaluar y atribuir la respuesta del rendimiento de los cultivos a las variaciones climáticas en la era rica en datos. Fournir des estimations précises du rendement des cultures à grande échelle spatiale et comprendre les pertes de rendement en cas de stress climatique extrême est un défi urgent pour maintenir la sécurité alimentaire mondiale. Bien que l'approche d'apprentissage en profondeur axée sur les données ait montré une grande capacité à prédire les modèles de rendement, sa capacité à détecter et à attribuer les impacts des extrêmes climatiques sur les rendements reste inconnue. Dans cette étude, nous avons développé un cadre d'apprentissage multitâche basé sur un réseau neuronal profond pour estimer les variations du rendement du maïs au niveau du comté par rapport à la Corn Belt américaine de 2006 à 2018, avec un accent particulier sur la perte de rendement extrême en 2012. Nous avons constaté que notre modèle d'apprentissage profond prévoyait les variations de rendement avec une bonne précision pour 2006-2018 (R2 = 0,81) et reproduisait bien les anomalies de rendement extrêmes en 2012 (R2 = 0,79). Une analyse d'attribution plus poussée a indiqué que le stress thermique extrême était la principale cause de la perte de rendement, contribuant à 72,5 % de la perte de rendement, suivi des anomalies du déficit de pression de vapeur (17,6 %) et des précipitations (10,8 %). Notre modèle d'apprentissage en profondeur a également permis d'estimer l'impact accumulé des facteurs climatiques sur le rendement du maïs et d'identifier que la phase de soie était l'étape la plus critique de la réponse du rendement au stress climatique extrême en 2012. Nos résultats fournissent un nouveau cadre d'apprentissage profond spatio-temporel pour évaluer et attribuer la réponse du rendement des cultures aux variations climatiques à l'ère riche en données. Providing accurate crop yield estimations at large spatial scales and understanding yield losses under extreme climate stress is an urgent challenge for sustaining global food security. While the data-driven deep learning approach has shown great capacity in predicting yield patterns, its capacity to detect and attribute the impacts of climatic extremes on yields remains unknown. In this study, we developed a deep neural network based multi-task learning framework to estimate variations of maize yield at the county level over the US Corn Belt from 2006 to 2018, with a special focus on the extreme yield loss in 2012. We found that our deep learning model hindcasted the yield variations with good accuracy for 2006-2018 (R2 = 0.81) and well reproduced the extreme yield anomalies in 2012 (R2 = 0.79). Further attribution analysis indicated that extreme heat stress was the major cause for yield loss, contributing to 72.5% of the yield loss, followed by anomalies of vapor pressure deficit (17.6%) and precipitation (10.8%). Our deep learning model was also able to estimate the accumulated impact of climatic factors on maize yield and identify that the silking phase was the most critical stage shaping the yield response to extreme climate stress in 2012. Our results provide a new framework of spatio-temporal deep learning to assess and attribute the crop yield response to climate variations in the data rich era. يمثل توفير تقديرات دقيقة لمحصول المحاصيل على نطاقات مكانية واسعة وفهم خسائر الغلة في ظل الإجهاد المناخي الشديد تحديًا عاجلاً للحفاظ على الأمن الغذائي العالمي. في حين أظهر نهج التعلم العميق القائم على البيانات قدرة كبيرة على التنبؤ بأنماط الغلة، فإن قدرته على اكتشاف وعزو تأثيرات الظواهر المناخية المتطرفة على الغلة لا تزال غير معروفة. في هذه الدراسة، طورنا إطارًا تعليميًا عميقًا متعدد المهام قائمًا على الشبكة العصبية لتقدير الاختلافات في محصول الذرة على مستوى المقاطعة عبر حزام الذرة الأمريكي من عام 2006 إلى عام 2018، مع التركيز بشكل خاص على الخسارة الشديدة في المحصول في عام 2012. وجدنا أن نموذج التعلم العميق الخاص بنا قد عرقل اختلافات العائد بدقة جيدة للفترة 2006-2018 (R2 = 0.81) وأعاد إنتاج الشذوذ الشديد في العائد في عام 2012 (R2 = 0.79). أشار تحليل الإسناد الإضافي إلى أن الإجهاد الحراري الشديد كان السبب الرئيسي لفقدان الغلة، حيث ساهم بنسبة 72.5 ٪ من فقدان الغلة، تليها حالات شاذة من عجز ضغط البخار (17.6 ٪) وهطول الأمطار (10.8 ٪). كان نموذج التعلم العميق لدينا قادرًا أيضًا على تقدير التأثير المتراكم للعوامل المناخية على غلة الذرة وتحديد أن مرحلة الحرير كانت المرحلة الأكثر أهمية في تشكيل استجابة الغلة للإجهاد المناخي الشديد في عام 2012. توفر نتائجنا إطارًا جديدًا للتعلم العميق المكاني والزماني لتقييم وعزو استجابة غلة المحاصيل للتغيرات المناخية في العصر الغني بالبيانات.

In this work, we perform a comparative techno-economic and environmental analysis for manufacturing ethylene and propylene from naphtha and from shale gas with rich natural gas liquids (NGLs). We first propose two novel process designs for producing ethylene and propylene from NGLs-rich shale gas. These two designs employ steam co-cracking of an ethane–propane mixture and an integration of ethane steam cracking and propane dehydrogenation, respectively. For benchmarking, we also consider a conventional process design in which ethylene and propylene are produced via steam cracking of naphtha. Detailed process models are developed for all the three designs to obtain the mass and energy balances of each unit operation. On this basis, techno-economic analysis and life cycle analysis are conducted for each of the three designs in order to systematically compare the production costs and life cycle environmental impacts of ethylene and propylene manufactured from shale gas and naphtha based on the same condition...

Étant donné que le secteur de l'énergie est le principal contributeur aux émissions mondiales de gaz à effet de serre, la décarbonisation des systèmes énergétiques est cruciale pour l'atténuation du changement climatique. Deux défis majeurs de la décarbonisation des systèmes énergétiques sont la planification de la transition vers les énergies renouvelables et l'exploitation durable des systèmes. Pour relever les défis, l'intégration des technologies de l'information et de la communication émergentes peut faciliter à la fois la conception et le fonctionnement des futurs systèmes énergétiques intelligents avec une forte pénétration des énergies renouvelables et des structures décentralisées. Le présent travail fournit un aperçu complet de l'applicabilité des technologies de l'information et de la communication émergentes dans la transition vers les énergies renouvelables et les systèmes énergétiques intelligents, y compris l'intelligence artificielle, l'informatique quantique, la blockchain, les technologies de communication de nouvelle génération et le métavers. Des orientations de recherche pertinentes sont introduites en examinant la littérature existante. Cette revue se termine par une discussion des cas d'utilisation industrielle et des démonstrations des technologies énergétiques intelligentes. Dado que el sector energético es el contribuyente dominante a las emisiones mundiales de gases de efecto invernadero, la descarbonización de los sistemas energéticos es crucial para la mitigación del cambio climático. Dos de los principales desafíos de la descarbonización de los sistemas energéticos son la planificación de la transición renovable y las operaciones de sistemas sostenibles. Para abordar los desafíos, la incorporación de tecnologías emergentes de información y comunicación puede facilitar tanto el diseño como las operaciones de futuros sistemas de energía inteligente con altas penetraciones de energía renovable y estructuras descentralizadas. El presente trabajo proporciona una visión general completa de la aplicabilidad de las tecnologías emergentes de información y comunicación en la transición renovable y los sistemas de energía inteligente, incluida la inteligencia artificial, la computación cuántica, la cadena de bloques, las tecnologías de comunicación de próxima generación y el metaverso. Las direcciones de investigación relevantes se introducen a través de la revisión de la literatura existente. Esta revisión concluye con una discusión de los casos de uso industrial y demostraciones de tecnologías de energía inteligente. Since the energy sector is the dominant contributor to global greenhouse gas emissions, the decarbonization of energy systems is crucial for climate change mitigation. Two major challenges of energy systems decarbonization are renewable transition planning and sustainable systems operations. To address the challenges, incorporating emerging information and communication technologies can facilitate both the design and operations of future smart energy systems with high penetrations of renewable energy and decentralized structures. The present work provides a comprehensive overview of the applicability of emerging information and communication technologies in renewable transition and smart energy systems, including artificial intelligence, quantum computing, blockchain, next-generation communication technologies, and the metaverse. Relevant research directions are introduced through reviewing existing literature. This review concludes with a discussion of the industrial use cases and demonstrations of smart energy technologies. نظرًا لأن قطاع الطاقة هو المساهم المهيمن في انبعاثات غازات الدفيئة العالمية، فإن إزالة الكربون من أنظمة الطاقة أمر بالغ الأهمية للتخفيف من آثار تغير المناخ. يتمثل تحديان رئيسيان لإزالة الكربون من أنظمة الطاقة في تخطيط الانتقال المتجدد وعمليات الأنظمة المستدامة. ولمواجهة التحديات، يمكن أن يؤدي دمج تقنيات المعلومات والاتصالات الناشئة إلى تسهيل تصميم وتشغيل أنظمة الطاقة الذكية المستقبلية ذات الاختراقات العالية للطاقة المتجددة والهياكل اللامركزية. يقدم العمل الحالي لمحة شاملة عن قابلية تطبيق تقنيات المعلومات والاتصالات الناشئة في التحول المتجدد وأنظمة الطاقة الذكية، بما في ذلك الذكاء الاصطناعي والحوسبة الكمومية وسلسلة الكتل وتقنيات الاتصالات من الجيل التالي والميتافيرس. يتم تقديم اتجاهات البحث ذات الصلة من خلال مراجعة الأدبيات الموجودة. تختتم هذه المراجعة بمناقشة حالات الاستخدام الصناعي والعروض التوضيحية لتقنيات الطاقة الذكية.

In light of current energy policies responding to rapid climate change, much attention has been directed to developing feasible approaches for transitioning energy production from fossil-based resources to renewable energy. Although existing studies analyze regional dispatch of renewable energy sources and capacity planning, they do not fully explore the impacts of the energy storage system technology's technical and economic characteristics on renewable energy integration and energy transition, and the importance of energy storage systems to the energy transition is currently ignored. To fill this gap, we propose an integrated optimal power flow and multi-criteria decision-making model to minimize system cost under operational constraints and evaluate the operational performance of renewable energy technologies with multidimensional criteria. The proposed method can identify the most critical features of energy storage system technologies to enhance renewable energy integration and achieve New York State's climate goals from 2025 to 2040. We discover that lead-acid battery requires an additional 38.66 GW capacity of renewable energy sources than lithium-ion battery to achieve the zero carbon dioxide emissions condition. Based on the cross-sensitivity analysis in the multidimensional evaluation, the vanadium redox flow battery performs the best, and the nickel-cadmium battery performs the worst when reaching the zero carbon dioxide emissions target in 2040. The results of the proposed model can also be conveniently generalized to select ESS technology based on the criteria preferences from RE integration and energy transition studies and serve as a reference for ESS configurations in future energy and power system planning.

Leveraging demand-side flexibility resources (e.g., buildings) is a crucial and cost-effective strategy for addressing the operational and infrastructure-related challenges in power grids pursuing deep decarbonization with high renewable energy penetration. However, the demand flexibility opportunities and financial benefits for residential space heating, which are sizeable demand-side flexibility resources, through emerging building energy management solutions (i.e., smart control and phased change material (PCM) thermal storage) across the US are not fully understood. In this paper, we systematically assess the demand flexibility and cost-saving/revenue potentials in residential space heating through detailed building-level simulations for five consecutive years at a 5-min temporal resolution in 20 metro areas across the high-heating-demand regions of the US. The results show a high degree of synergy between PCM thermal storage and smart control, which enables substantial demand flexibility potential, reaching 98.5% of peak load shifting, and electricity cost-saving/revenue potential, reaching 338.3% of electricity cost reductions, for residential space heating in the US. By achieving such performance, adopting smart control and PCM thermal storage is financially viable in 50% of the tested metro areas. The results reveal that the demand flexibility and cost-saving/revenue potentials of residential space heating in the US are further enhanced by higher volatilities in electricity prices. Active PCM thermal storage has lower energy efficiency but much higher energy flexibility than passive PCM thermal storage. Based on the findings, recommendations for integrating PCM thermal storage and smart control systems within residential space heating are provided.