MétaCan
Menu
Retour à la cohorte
Enregistrement W4200468067 · doi:10.18280/ejee.230605

Identification of ESS Degradations Related to Their Uses in Micro-Grids: Application to a Building Lighting Network with VRLA Batteries

2021· article· en· W4200468067 sur OpenAlexvenueno aff

Notice bibliographique

RevueEuropean Journal of Electrical Engineering · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Technologies Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSizingRenewable energyPhotovoltaic systemAutomotive engineeringEnergy storageComputer scienceReliability engineeringGridPower (physics)Electrical engineeringEngineeringMathematics

Résumé

récupéré en direct d'OpenAlex

This paper presents a study about power profiles of micro-grid with highly intermittent sources and their impacts on energy storage system (ESS). The first step of the work consists in generating the ESS power profiles thanks to a new optimal sizing algorithm. Our approach allows to size the ESS and the renewable energy sources (RES) using a power/energy considerations to generate charging and discharging profiles regardless ESS specifics parameters. In a second step, we review the potential damages on Valves Regulated Lead Acid Batteries (VRLAB). This technology has been chosen because it is the most used ESS in case of stationary applications for urban MG with RES integration. We propose some criterion to quantify the batteries stresses generated by MG working operations. Therefore, we give recommendations to enhance the VRLAB lifetime in both micro-grid design and energy management. Our method has been applied to the photovoltaic production and lighting network consumption profiles of the LAAS-CNRS building integrated photovoltaic. We compare four possible configurations of ESS and RES: two determined thanks to Pareto optimisation method and two critical cases corresponding to the minimal and the maximal values of ESS size into all the possible configuration tested.

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 enseignants0,460
Score d'incertitude au seuil0,538

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 Opus0,007
Tête enseignante GPT0,223
Écart entre enseignants0,217 · 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

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Journal of Electrical EngineeringMême sujetAdvanced Battery Technologies ResearchTravaux en français237 207