MétaCan
Menu
Retour à la cohorte
Enregistrement W4232302816 · doi:10.32920/ryerson.14646462.v1

Modeling Urban Solar Energy with High Spatiotemporal Resolution

2021· preprint· en· W4232302816 sur OpenAlexaffabout
Annie Chow

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineComputer Science
ThématiqueSolar Radiation and Photovoltaics
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésPhotovoltaic systemRenewable energySolar ResourceEnvironmental scienceSolar energySoftwareElectricityGeographic information systemElectricity generationMeteorologyPhotovoltaicsComputer scienceRemote sensingEngineeringGeographyElectrical engineeringPower (physics)

Résumé

récupéré en direct d'OpenAlex

Alternative sources of energy are being sought after in the world today, as the availability of fossil fuels and other non-renewable resources are declining. Solar energy offers a promising solution to this search as it is a less polluting renewable energy resource and can be easily converted into electricity through the usage of photovoltaic systems. This thesis focuses on the modeling of urban solar energy with high spatiotemporal resolution. A methodology was developed to estimate hourly solar PV electricity generation potential on rooftops in an urban environment using a 3-D model. A case study area of Ryerson University, Toronto was chosen and the incident solar radiation upon each building rooftop was calculated using a software tool called Ecotect Analysis 2011. Secondly, orthophotos of the case study area were digitized using Geographic Information Systems in order to eliminate undesirable rooftop objects within the model. Lastly, a software tool called HOMER was used to generate hourly solar PV electricity estimates using the values generated by the other two software tools as input parameters. It was found that hourly solar PV output followed the pattern of a binomial curve and that peak solar generation times coincided with summer peak electricity consumption hours in Ontario.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,801
Score d'incertitude au seuil0,996

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 savante0,0010,000
Science ouverte0,0010,001
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 Opus0,019
Tête enseignante GPT0,216
Écart entre enseignants0,197 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

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'admission2
Résumé présentoui

Explorer davantage

Même sujetSolar Radiation and PhotovoltaicsTravaux en français237 207