MétaCan
Menu
Retour à la cohorte
Enregistrement W2997084050 · doi:10.1002/est2.125

Potential use of thermal energy storage for shifting cooling and heating load to off‐peak load: A case study for residential building in Canada

2019· article· en· W2997084050 sur OpenAlexaffabout
Doğan Erdemir, İbrahim Dinçer

Notice bibliographique

RevueEnergy Storage · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueBuilding Energy and Comfort Optimization
Établissements canadiensOntario Tech University
Organismes subventionnairesnon disponible
Mots-clésThermal energy storageLoad shiftingCooling loadElectricityPeak loadEnvironmental scienceNuclear engineeringEnergy storageThermalPeak demandStorage heaterMaterials scienceMechanical engineeringEngineeringElectrical engineeringMeteorologyPower (physics)Heat pumpThermodynamicsAir conditioningHeat exchanger

Résumé

récupéré en direct d'OpenAlex

Abstract This study presents an investigation of the potential use of thermal energy storage for shifting cooling and heating loads to off‐peak hours in order to balance the electricity production and demand periods. In Canada, the main energy source for cooling and heating applications is generally electricity. Therefore, cooling and heating devices have a great impact on the electricity peak load. In this study, it is considered that heating and cooling loads on the electricity peak load periods are shifted to off‐peak hours by thermal energy storage systems. At the end of this study, it is observed that the thermal energy storage has great potential for shifting electricity peak load depending on cooling and heating load to off‐peak periods. The electricity peak loads can be reduced by 25% and 45% by shifting heating and cooling loads to off‐peak hours and doing storage. Furthermore, the thermal energy storage systems can help reduce both cooling and heating costs in Canadian dwellings by 20% and 18%, respectively.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,084
Score d'incertitude au seuil0,168

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,001
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,009
Tête enseignante GPT0,206
Écart entre enseignants0,198 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations35
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergy StorageMême sujetBuilding Energy and Comfort OptimizationTravaux en français237 207