MétaCan
Menu
Retour à la cohorte
Enregistrement W2772191069 · doi:10.1063/1.5014015

Smart grid integration of small-scale trigeneration systems

2017· article· en· W2772191069 sur OpenAlexfundno aff
Gergana Vacheva, Hristiyan Kanchev, Nikolay Hinov

Notice bibliographique

RevueAIP conference proceedings · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueIntegrated Energy Systems Optimization
Établissements canadiensnon disponible
Organismes subventionnairesAgence Universitaire de la Francophonie
Mots-clésCogenerationAir conditioningSmart gridDistributed generationAbsorption refrigeratorScheduleAutomotive engineeringElectricity generationEnvironmental scienceElectricityChillerElectric power systemProcess engineeringEngineeringElectrical engineeringPower (physics)Renewable energyComputer scienceMechanical engineeringRefrigeration

Résumé

récupéré en direct d'OpenAlex

This paper presents a study on the possibilities for implementation of local heating, air-conditioning and electricity generation (trigeneration) as distributed energy resource in the Smart Grid. By the means of microturbine-based generators and absorption chillers buildings are able to meet partially or entirely their electrical load curve or even supply power to the grid by following their heating and air-conditioning daily schedule. The principles of small-scale cooling, heating and power generation systems are presented at first, then the thermal calculations of an example building are performed: the heat losses due to thermal conductivity and the estimated daily heating and air-conditioning load curves. By considering daily power consumption curves and weather data for several winter and summer days, the heating/air-conditioning schedule is estimated and the available electrical energy from a microturbine-based cogeneration system is estimated. Simulation results confirm the potential of using cogeneration and trigeneration systems for local distributed electricity generation and grid support in the daily peaks of power consumption.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,892
Score d'incertitude au seuil0,717

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,223
Écart entre enseignants0,199 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAIP conference proceedingsMême sujetIntegrated Energy Systems OptimizationTravaux en français237 207