Optimizing photovoltaic systems to decarbonize residential arctic buildings considering real consumption data and temporal mismatch
Notice bibliographique
Résumé
Nunavik is a remote region in northern Quebec, Canada relying on off-grid diesel-based electricity production. In this study, photovoltaic (PV) systems for residential buildings are optimized using real electricity consumption data. The region is characterized by a significant temporal mismatch between electricity demand and PV production. Two PV systems are studied: standalone arrays and building-integrated systems (BIPV). Three multiobjective optimization problems are formulated to represent different ways to manage the demand-production mismatch, involving objectives such as the mean squared error between production and consumption, penetration of solar energy, energy gap between production and usage, and PV size. Solutions were obtained using a genetic algorithm (NSGA-II). It was found that moderately sized PV systems (60–140 m2) could cover about one third of the instantaneous electricity demand of a semi-detached house, yielding an average annual GHG emissions reduction of 1.112 ton CO2 per house. An important surplus was found with two optimization problems, suggesting a potential for reinjection in the microgrid or batteries. Optimal designs of PV systems for both configurations were influenced by how the mismatch is managed, i.e. the choice of objective functions. The first optimization problem minimized excess energy by favoring less sunny directions, while the second and third supported energy storage or surplus reinjection, favoring south facing or vertical PVs. A robustness analysis underscored the importance of matching PV system design to consumption profiles. Ultimately, this study contributes to the emerging field of renewable energy integration in the Arctic, aiming to reduce reliance on fossil fuels.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».