Analyse des facteurs de perte dans les systèmes photovoltaïques sur suiveurs solaires dans un climat continental humide
Notice bibliographique
Résumé
Dans le contexte de trouver des solutions aux problèmes causés par les combustibles fossiles en utilisant des sources d'énergie renouvelables, les technologies photovoltaïques (PV) sont devenues importantes dans de nombreux endroits du monde au cours des dernières décennies. Par conséquent, évaluer et analyser ces systèmes dans différents endroits avec leurs caractéristiques météorologiques spécifiques est crucial pour les décideurs. Dans cette étude, trois types de technologies PV - les systèmes monofaciaux et bifaciaux à deux axes avec des modules PV standard, et les systèmes photovoltaïques concentrés (CPV) avec un système de suivi à deux axes - ont été examinés à Sherbrooke, au Québec, Canada, où le climat est de type continental humide. Les résultats montrent que les systèmes monofaciaux et bifaciaux subissent environ 4% de pertes dues à un mode de fonctionnement dégradé en cas de vents forts ou de très basses températures. En plus de ces pertes, nos systèmes ont subi des pertes supplémentaires de 12 et 9% causées en partie par la neige, plus prononcées pour les modules monofaciaux que pour les bifaciaux. Pour les systèmes CPV, le givre est le principal facteur de perte, suivi par la neige. Nous avons proposé une méthode pour prendre en compte l'effet négatif de la neige et du gel en ajoutant des facteurs de salissure mensuels à notre modèle de prédiction, basés sur les chutes de neige mensuelles et la température ambiante. En appliquant cette méthode, nous avons réduit l'erreur entre la production d'énergie prévue et réelle de près de 25 à 5%, ce qui montre que notre modèle fonctionne bien dans un climat continental humide pour les systèmes CPV.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».