XiaoMi-AI文件搜索系统
World File Search SystemJoskow
竞争性储能和鸭子曲线
4 图 2 摘自 Joskow (2019)，第 314 页，经牛津大学出版社许可使用。 5 此外，在美国联邦层面，仅由太阳能发电机充电的储能设施有资格获得 30% 的投资税收抵免。 6 例如，请参阅 https://www.dwt.com/blogs/energy--environmental-law-blog/2020/06/federal-energy-storage-regulatory-activity 7 许多研究调查了在不同成本假设和观察到的价格轨迹下能源套利的盈利能力；例如，请参阅 Salles 等人 (2017) 和 Giuletti 等人 (2018)。通常的发现是，在当前价格模式下，套利利润无法覆盖储能设施的资本成本。这一发现并未阐明当存储可用且部署存储可带来边际利润时能源市场所提供的投资激励的总体最优性，因为能源价格比现在波动更大。8 请参阅 Dréze (1964) 对 Boiteux 最初在 20 世纪 50 年代初撰写的著作的精辟阐述，并请参阅 Joskow (1976) 对密切相关的后期著作的讨论。Joskow 和 Tirole (2007) 大大扩展了这些文献。9 请参阅 Joskow 和 Tirole (2007) 关于这一假设的论述，我将在第 5 节中返回讨论。如果能源价格上限低于损失负荷的价值，而许多实际市场似乎都是这种情况，那么对发电的投资激励就不足；请参阅 Joskow (2007, 2008) 的讨论。美国和欧盟的许多系统中都增加了各种“容量机制”，以解决这种“资金缺失”问题。
100% 可再生能源价格发现文献综述
• 如何推动可再生能源投资和热电退役——基于预期现货和合同市场结果的商业决策，或通过政府政策（例如上网电价 (FiT)、战略储备）。在许多关于现货价格行为 1 和投资信号的国际研究中，上网电价、补贴和其他投资激励措施的存在可能是为新西兰电力市场提供见解方面最受限制的因素，而不是任何其他因素。正如 Joskow (2019)、Lynch (2021) 和 Newbery (2018) 所指出的那样，可变可再生能源的成本结构和市场影响都导致投资越来越依赖补贴中嵌入的信号。我们将在下文进一步考虑这些限制。• 价格是否受到重大监管控制（例如价格/报价上限）？• 如何激励和维护供应安全——例如，仅能源市场激励措施或通过容量补偿机制。具有容量补偿机制的司法管辖区模糊了增加间歇性可再生能源发电对供应安全的影响，因为——几乎按照定义——这些机制通常旨在直接实现一定程度的供应安全，并且通常与远低于损失负荷价值的现货市场上限相结合（Joskow，2019 年）。• 市场是否已经拥有大量中期可再生能源存储，或者在未来情景建模中考虑了这一点？• 所考虑的市场是否能够通过与其他市场（国家或州）的互连来补充供应。
最佳完全可再生电力系统对技术成本不确定性有多敏感？
虽然许多研究已经强调了 100% 可再生电力系统的可行性（Brown 等人，2018 年，以及其中的参考文献），但这种系统的成本仍存在很大争议。继 Joskow（2011 年）、Hirth（2015 年）和 Hirth 等人（2016 年）之后，许多文章都关注可再生能源在电力结构中的最佳比例。这些文献强调了与部署可变可再生能源相关的系统整合成本的存在。特别是，强调了一种“自我蚕食”现象，与特定位置的所有太阳能电池板或风力涡轮机同时发电有关。在缺乏经济实惠的存储的情况下，这些整合成本有两个后果：（i）部署可再生能源会导致大量额外成本，并且随着部署率的提高而迅速增加；（ii）必须在不同的生产技术之间取得适当的平衡，以尽量减少这种额外成本。
零售能源市场面临压力
2 2019 年 6 月 5 日关于电力内部市场共同规则的指令 (EU) 2019/944（《电力指令》）将供应定义为“向客户销售（包括转售）电力（第 2(12) 条）。 3 零售服务还可以包括聚合。根据《电力指令》，聚合是指“自然人或法人在任何电力市场上组合多个客户负载或发电量以供销售、购买或拍卖的一种功能”。 4 有关电力市场零售的早期讨论，请参阅 Litlechild (2000) 和 Joskow (2000)。 4 2019 年 6 月 5 日关于电力内部市场共同规则的指令 (EU) 2019/944（《电力指令》）将供应定义为“向客户销售电力，包括转售电力（第 2(12) 条）。 4 根据《电力指令》，聚合是指“自然人或法人在任何电力市场上组合多个客户负载或发电量以供销售、购买或拍卖的一种功能”。
2024 年 11 月和 12 月
Sally Abrahms 和 David Rosenthal Laura Allen 和 Ken Lewis Lucy Aptekar 和 Gerald Leader David 和 Sandy Bakalar Anurag Banerjee Meg 和 Tomas Bergstrand Brooke Bernard Liz 和 Asaf Bitton Suzanne 和 Jeffrey Bloomberg Alexandra Bowers 和 James Liu Amy 和 Matthew Brand Ian Brownell Diane Carr Dr. Barbara Chasen 和 Dr. Paul Joskow Deborah Cohen Howard Cohen 和 Myra Musicant Jason 和 Courtney Cole Jon 和 Margot Davis Michael D'Onofrio 和 Kathleen Fallon Elizabeth Driehaus 和 Demitrios Athens David Farnsworth Nina 和 David Fialkow Timothy Finn Justin Freed Victoria Fremont Patricia Freysinger Paul Funk Joan Goldberg Betty Goldstein Cindy 和 Roger Goldstein Adam 和 Rachel Hirsch Ken Kinsey Ellen Hoffman 和 Ken Loveday Edward 和 Betsy Jacobs Bruce 和 Georgia Johnson Badar Khan 和 Masu Haque-Khan Andrea Kozinetz Marianne Lampke 和 Lisa Linnehan Paul 和 Nicole Lipson Josh 和 Jessica Lutzker Sarah Lyberger
什么决定了可再生能源的有效性......
5 https://www.lazard.com/media/450337/lazard-levelized-cost-of-energy-version-110.pdf 中的“平准化能源成本”(LCOE) 估计值表明，2011 年后风能发电成本与化石燃料发电成本相当，2013 年后太阳能发电成本与化石燃料发电成本相当。我们使用 1990-2015 年的数据测试了我们的 GE 模型，在此期间，间歇性可再生能源发电成本仍然较高。此外，这些 LCOE 估计值不包括整合成本，因此低估了使用间歇性资源的全部成本。Borettii 和 Castelletto (2020) 发现“风能设施的性能和成本估算应包括描述可变性的参数，并且应将存储成本加到成本中。”许多实证研究论文发现，间歇性会显著增加可再生能源发电的成本（例如，Denholm 和 Margolis 2007；Borenstein 2008；Joskow 2011；和 Cullen 2013）。Gowrisankaran 等人（2016）发现“完美的调度能力将使 20% 太阳能发电的社会成本大幅降低 46 美元/兆瓦时，部分原因是规划人员少建造了六台发电机。”
将人类专业知识与人工智能相结合
我们感谢斯坦福大学医院为数据访问提供便利。作者感谢阿尔弗雷德·P·斯隆基金会 (2022-17182)、JPAL 医疗保健交付计划和麻省理工学院 SHASS 的支持。该实验已在 AEA 注册中心预注册，编号为 AEARCTR-0009620。预分析计划可在 SSR 注册 9620 和 SSR 注册 8799 处获得。该项目受益于与多位放射科医生的合作，包括斯坦福大学的 Matthew Lungren、Curtis Langlotz 和 Anuj Pareek 博士、西奈山医院的 Etan Dayan 和 Adam Jacobi 博士、VinBrain 的 Steven Truong 和 VINMEC 的几位放射科医生，以及 USARAD、Vesta Teleradiology 和 Advanced Telemed 的远程放射科医生。我们感谢 Daron Acemoglu、David Autor、David Chan、Glenn Ellison、Amy Finkelstein、Chiara Farronato、Drew Fudenberg、Paul Joskow、Bentley MacLeod、Whitney Newey、Pietro Ortoleva、Paul Oyer、Ariel Pakes、Alex Rees-Jones、Frank Schilbach、Chad Syverson 和 Alex Wolitzky 提供的有益对话、评论和建议。Oishi Banerjee、Ray Huang、Andrew Komo、Manasi Kutwal、Angelo Marino 和 Jett Pettus 提供了宝贵的研究协助。本文表达的观点为作者的观点，并不一定反映美国国家经济研究局的观点。
将人类专业知识与人工智能相结合
∗ 我们感谢斯坦福大学医院为数据访问提供便利。作者感谢阿尔弗雷德·P·斯隆基金会 (2022-17182)、JPAL 医疗保健交付计划和麻省理工学院 SHASS 的支持。该实验已在 AEA 注册表上预先注册，编号为 AEARCTR-0009620。预分析计划可在 SSR 注册 9620 和 SSR 注册 8799 处获得。† Agarwal：麻省理工学院和 NBER 经济学系，电子邮件：agarwaln@mit.edu。Moehring：普渡大学丹尼尔斯商学院，电子邮件：moehring@purdue.edu。Rajpurkar：哈佛医学院生物医学信息学系，电子邮件：pranav_rajpurkar@hms.harvard.edu。Salz：麻省理工学院和 NBER 经济学系，电子邮件：tsalz@mit.edu。该项目受益于与多位放射科医生的合作，包括斯坦福大学的 Matthew Lungren 博士、Curtis Langlotz 博士和 Anuj Pareek 博士、西奈山医院的 Etan Dayan 博士和 Adam Jacobi 博士、VinBrain 的 Steven Truong 和 VINMEC 的几位放射科医生以及 USARAD、Vesta Teleradiology 和 Advanced Telemed 的远程放射科医生。我们感谢 Daron Acemoglu、David Autor、David Chan、Glenn Ellison、Amy Finkelstein、Chiara Farronato、Drew Fudenberg、Paul Joskow、Bentley MacLeod、Whitney Newey、Pietro Ortoleva、Paul Oyer、Ariel Pakes、Alex Rees-Jones、Frank Schilbach、Chad Syverson 和 Alex Wolitzky 提供的有益对话、评论和建议。Oishi Banerjee、Ray Huang、Andrew Komo、Manasi Kutwal、Angelo Marino 和 Jett Pettus 提供了宝贵的研究协助。
将人类专业知识与人工智能相结合
∗ 我们感谢斯坦福大学医院为数据访问提供便利。作者感谢阿尔弗雷德·P·斯隆基金会 (2022-17182)、JPAL 医疗保健交付计划和麻省理工学院 SHASS 的支持。该实验已在 AEA 注册表上预先注册，编号为 AEARCTR-0009620。预分析计划可在 SSR 注册 9620 和 SSR 注册 8799 处获得。† Agarwal：麻省理工学院和 NBER 经济学系，电子邮件：agarwaln@mit.edu。Moehring：麻省理工学院斯隆管理学院，电子邮件：moehring@mit.edu。Rajpurkar：哈佛医学院生物医学信息学系，电子邮件：pranav_rajpurkar@hms.harvard.edu。Salz：麻省理工学院和 NBER 经济学系，电子邮件：tsalz@mit.edu。该项目受益于与多位放射科医生的合作，包括斯坦福大学的 Matthew Lungren 博士、Curtis Langlotz 博士和 Anuj Pareek 博士、西奈山医院的 Etan Dayan 博士和 Adam Jacobi 博士、VinBrain 的 Steven Truong 和 VINMEC 的多位放射科医生，以及 USARAD、Vesta Teleradiology 和 Advanced Telemed 的远程放射科医生。我们感谢 Daron Acemoglu、David Autor、David Chan、Glenn Ellison、Amy Finkelstein、Chiara Farronato、Drew Fudenberg、Paul Joskow、Bentley MacLeod、Whitney Newey、Pietro Ortoleva、Paul Oyer、Ariel Pakes、Alex Rees-Jones、Frank Schilbach、Chad Syverson 和 Alex Wolitzky 提供的有益对话、评论和建议。Oishi Banerjee、Ray Huang、Andrew Komo、Manasi Kutwal、Angelo Marino 和 Jett Pettus 提供了宝贵的研究协助。
将人类专业知识与人工智能相结合
∗ 我们感谢斯坦福大学医院为数据访问提供便利。作者感谢阿尔弗雷德·P·斯隆基金会 (2022-17182)、JPAL 医疗保健交付计划和麻省理工学院 SHASS 的支持。该实验已在 AEA 注册表上预先注册，编号为 AEARCTR-0009620。预分析计划可在 SSR 注册 9620 和 SSR 注册 8799 处获得。† Agarwal：麻省理工学院和 NBER 经济学系，电子邮件：agarwaln@mit.edu。Moehring：麻省理工学院斯隆管理学院，电子邮件：moehring@mit.edu。Rajpurkar：哈佛医学院生物医学信息学系，电子邮件：pranav_rajpurkar@hms.harvard.edu。Salz：麻省理工学院和 NBER 经济学系，电子邮件：tsalz@mit.edu。该项目受益于与多位放射科医生的合作，包括斯坦福大学的 Matthew Lungren 博士、Curtis Langlotz 博士和 Anuj Pareek 博士、西奈山医院的 Etan Dayan 博士和 Adam Jacobi 博士、VinBrain 的 Steven Truong 和 VINMEC 的几位放射科医生，以及 USARAD、Vesta Teleradiology 和 Advanced Telemed 的远程放射科医生。我们感谢 Daron Acemoglu、David Autor、David Chan、Glenn Ellison、Amy Finkelstein、Drew Fudenberg、Paul Joskow、Whitney Newey、Pietro Ortoleva、Paul Oyer、Ariel Pakes、Alex Rees-Jones、Frank Schilbach、Chad Syverson 和 Alex Wolitzky 提供的有益对话、评论和建议。Oishi Banerjee、Andrew Komo、Manasi Kutwal、Angelo Marino 和 Jett Pettus 提供了宝贵的研究协助。