Gestion d’énergie globalisée du véhicule hybride rechargeable connecté à la maison
Notice bibliographique
Résumé
Le challenge de ces prochaines années est de réduire le plus possible les émissions de CO2 qui la première cause du réchauffement climatique. L’émission de CO2 est principalement due à l’utilisation du moteur thermique dans le milieu du transport. Pour diminuer cette émission, la solution réside à utiliser des véhicules électriques qui sont non polluants et rechargés par des sources émettant le moins possible de CO2. Mais cela impliquerait une production supplémentaire d’énergie. Aujourd’hui l’énergie électrique est produite principalement par des centrales thermiques au niveau mondial, des centrales nucléaires enFrance et des centrales hydrauliques au Québec. Les pics d’utilisations et de productions restant une problématique posant encore beaucoup de problèmes.Une utilisation croissante de véhicules électriques ou hybrides rechargeables permettrait de pouvoir disposer de systèmes de stockage d’énergie, permettant à la fois d’alimenter le moteur électrique du véhicule ou d’aider le réseau électriques. Ce flux est appelé Vehicle-to-Grid ou plus précisément dans le travail présenté ici, ce flux s’appelle Vehicle-to-Home. Alimenter la maison via la batterie du véhicule, permet de diminuer le pic de consommation du foyer. De plus, la batterie du véhicule peut être chargée durant la nuit lorsque la production d’énergie est au plus bas et la moins chère.Ce document présente une optimisation offline du système qui inclut les différents flux d’énergie. Cette optimisation a été réalisée à l’aide de la programmation dynamique. L’objectif de cette optimisation est de minimiser le coût de l’énergie que ce soit le coût de l’essence ou de l’électricité ou encore des énergies renouvelables installées localement.Ensuite deux contrôleurs flous localisés dans le véhicule et dans la maison ont été dimensionnés, testés par simulation (simulation online) et validés expérimentalement.Finalement cette recherche a mis en avant deux cas d’études: un en hivers et l’autre en été. Le cas d’hiver présente une réduction budgétaire de 40% dans la simulation offline, 27% dans la simulation online et 29% en expérimentation. D’autre part, le cas d’été montre une réduction budgétaire de 62% dans la simulation offline, 60% dans la simulation online et 64% en expérimentation.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».